ニューラルネットワークと組み合わせたラマン分光法を使用したアルコバクターの識別と種の決定

Arcobacterの迅速かつ正確な識別は、新たな食物および水媒介性病原体および潜在的な獣化剤と考えられているため、非常に重要です。ラマン分光法は、細胞全体のラマン散乱スペクトルパターンに基づいて細菌を速く、試さず、使いやすい方法で区別できます。ニューラルネットワークと組み合わせた共焦点マイクロラマン分光法（785 nm）を使用して、種レベルで視床細菌を検出および識別することを目指しました。臨床、環境、および農業食品のソースからの18個のアルコバクター種の合計82個の参照および野外分離株が含まれていました。細菌の栽培時間と成長温度は、ラマンのスペクトルの再現性と識別能力に大きな影響を与えないと判断しました。Arcobacter属は、プリンシパルコンポーネント分析を使用して、密接に関連するCampylobacterおよびHelicobacter属とうまく区別できます。Arcobacterの種レベルへの同定のために、畳み込みニューラルネットワーク（CNN）と組み合わせたラマン分光法を使用して、18のArcobacter種すべてで97.2％の精度が達成されました。ラマン-CNNの予測機能は、12個のArcobacter株の独立したデータセットを使用してさらに検証されました。さらに、バイオマスによる5％から100％の範囲の細菌混合物中の特定のアルコバクター種の実際の比率を決定するために、ラマン分光法ベースの完全に接続された人工ニューラルネットワーク（ANN）が構築されました（回帰係数> 0.99）。CNNと完全に接続されたANNの両方を適用すると、従来の化学測量と比較して、細菌種測定のラマン分光法の精度が向上しました。この新たに開発されたアプローチにより、栽培後1時間以内にアルコバクターの迅速な識別と種の決定が可能になります。早期の警告システムの開発と疫学的調査の実施には、細菌性病原体の迅速な識別が重要です。Arcobacterは新興の食物媒介病原体であり、ここ数十年でより重要になっています。農業生態系におけるアルコバクター種の発生率は、主に利用可能な検出および特性評価手法の制限により、おそらく過小評価されています。機械学習と組み合わされたラマン分光法は、種レベルでのアーコバクターを迅速かつ信頼できる方法で正確に識別し、農業食品鎖におけるこの微生物の疫学的監視のための有望なツールを提供します。この研究から誘発された知識は、政府、食品産業、診療所による日常的な細菌スクリーニングと診断に使用される可能性があります。

Rapid and accurate identification of Arcobacter is of great importance because it is considered an emerging food- and waterborne pathogen and potential zoonotic agent. Raman spectroscopy can differentiate bacteria based on Raman scattering spectral patterns of whole cells in a fast, reagentless, and easy-to-use manner. We aimed to detect and discriminate Arcobacter bacteria at the species level using confocal micro-Raman spectroscopy (785 nm) coupled with neural networks. A total of 82 reference and field isolates of 18 Arcobacter species from clinical, environmental, and agri-food sources were included. We determined that the bacterial cultivation time and growth temperature did not significantly influence the Raman spectral reproducibility and discrimination capability. The genus Arcobacter could be successfully differentiated from the closely related genera Campylobacter and Helicobacter using principal-component analysis. For the identification of Arcobacter to the species level, an accuracy of 97.2% was achieved for all 18 Arcobacter species using Raman spectroscopy combined with a convolutional neural network (CNN). The predictive capability of Raman-CNN was further validated using an independent data set of 12 Arcobacter strains. Furthermore, a Raman spectroscopy-based fully connected artificial neural network (ANN) was constructed to determine the actual ratio of a specific Arcobacter species in a bacterial mixture ranging from 5% to 100% by biomass (regression coefficient >0.99). The application of both CNN and fully connected ANN improved the accuracy of Raman spectroscopy for bacterial species determination compared to the conventional chemometrics. This newly developed approach enables rapid identification and species determination of Arcobacter within an hour following cultivation.IMPORTANCE Rapid identification of bacterial pathogens is critical for developing an early warning system and performing epidemiological investigation. Arcobacter is an emerging foodborne pathogen and has become more important in recent decades. The incidence of Arcobacter species in the agro-ecosystem is probably underestimated mainly due to the limitation in the available detection and characterization techniques. Raman spectroscopy combined with machine learning can accurately identify Arcobacter at the species level in a rapid and reliable manner, providing a promising tool for epidemiological surveillance of this microbe in the agri-food chain. The knowledge elicited from this study has the potential to be used for routine bacterial screening and diagnostics by the government, food industry, and clinics.