ラマン分光法と深い学習を使用した病原性細菌の迅速な同定

ラマン光学分光法は、単一のステップでのラベルのない細菌検出、同定、および抗生物質感受性検査を約束します。ただし、細菌細胞からのラマン信号が弱いため、多数の細菌種と表現型から臨床的に関連する速度と精度を達成することは依然として困難です。ここでは、細菌ラマンスペクトルの広範なデータセットを生成し、深い学習アプローチを適用して、30の一般的な細菌病原体を正確に識別します。信号からノイズへのスペクトルが低い場合でも、82％を超える平均分離レベルの精度と抗生物質治療の識別精度が97.0±0.3％を達成します。また、このアプローチは、黄色ブドウ球菌（MRSAおよびMSSA）のメチシリン耐性分離株（MRSAおよびMSSA）を89±0.1％の精度で区別することを示しています。50人の患者からの臨床分離株に関する結果を検証します。各患者の分離株から10個の細菌スペクトルを使用して、99.7％の治療識別精度を達成します。私たちのアプローチは、培養を受けない病原体の同定と抗生物質感受性検査の可能性を秘めており、血液、尿、およびsputの診断のために容易に拡張される可能性があります。

Raman optical spectroscopy promises label-free bacterial detection, identification, and antibiotic susceptibility testing in a single step. However, achieving clinically relevant speeds and accuracies remains challenging due to weak Raman signal from bacterial cells and numerous bacterial species and phenotypes. Here we generate an extensive dataset of bacterial Raman spectra and apply deep learning approaches to accurately identify 30 common bacterial pathogens. Even on low signal-to-noise spectra, we achieve average isolate-level accuracies exceeding 82% and antibiotic treatment identification accuracies of 97.0±0.3%. We also show that this approach distinguishes between methicillin-resistant and -susceptible isolates of Staphylococcus aureus (MRSA and MSSA) with 89±0.1% accuracy. We validate our results on clinical isolates from 50 patients. Using just 10 bacterial spectra from each patient isolate, we achieve treatment identification accuracies of 99.7%. Our approach has potential for culture-free pathogen identification and antibiotic susceptibility testing, and could be readily extended for diagnostics on blood, urine, and sputum.