文献分享 | 快速鉴别肠炎沙门氏菌的四种血清型: 大拉曼和手持式拉曼光谱仪的性能对比
1、 文献出处
2、 研究内容
在当今社会,应对食源性疾病成为了公共卫生领域的一项紧迫挑战,尤其是由肠炎沙门氏菌引起的疾病。及时准确地鉴定肠炎沙门氏菌的血清型对于临床诊断至关重要,有助于了解其传播途径和确定疫情爆发源。然而,传统的血清分型方法存在诸多局限性,例如劳动强度大、耗时长等问题。因此,临床医学急需开发新的诊断技术。
在这一背景下,表面增强拉曼光谱(SERS)技术应运而生。SERS技术是一种非侵入性的诊断技术,通过产生拉曼光谱来快速准确地分辨细菌病原体。与传统方法相比,SERS技术具有使用方便、成本效益高、无创伤等优点,在临床环境中具有巨大潜力。
图1 实验设计流程图
本次研究使用了来自如海光电的RMS1000微型共焦拉曼光谱仪。专家通过比较研究了手持式拉曼光谱仪与价格较高的大拉曼拉曼光谱仪在病原体鉴定方面的性能。
①手持与大拉曼的平均SERS光谱与反卷积
在本研究中,收集了四种密切相关的肠道沙门氏菌血清型的SERS光谱,以比较大拉曼和手持式拉曼光谱仪之间的差异。首先,比较了两种拉曼光谱仪中沙门氏菌血清型的平均SERS光谱。两种光谱仪产生的SERS光谱的重现性均在可接受的范围,但大拉曼因其更高的分辨率和更敏感的探测器,展示出更高的分子成分检测能力,提供了更丰富的光谱信息(图2A-B)。反卷积处理后的SERS光谱放大了四种细菌之间的差异,并且显示了两种类型光谱仪之间的变化(图2C-D)。通过对反卷积SERS光谱的分析,大拉曼展示了更多的特征峰,而手持式光谱仪由于功率、灵敏度和分辨率的限制导致特征峰较少。这些发现不仅显示了两种类型光谱仪在性能上的差异,还突出了手持式光谱仪在灵敏度、功率和分辨率方面的局限性。尽管如此,手持式设备在实际应用中仍具有其独特的优势,例如在现场快速筛查中的应用潜力。
图2 两种拉曼光谱仪收集的四种沙门氏菌血清型的SERS平均和反卷积SERS光谱。(A) 四种沙门氏菌在大拉曼拉曼光谱仪下的平均SERS光谱。(B) 四种沙门氏菌在手持式拉曼光谱仪下的平均SERS光谱。(C) 四种沙门氏菌在大拉曼拉曼光谱仪下的反卷积SERS光谱。(D) 四种沙门氏菌在手持式拉曼光谱仪下的反卷积SERS光谱。
②手持与大拉曼SERS光谱聚类分析
本研究使用OPLS-DA聚类算法来分析和识别不同拉曼光谱仪生成的SERS光谱之间的差异以及不同肠炎沙门氏菌血清型间的变化(图3)。研究中主要通过R2和Q2两个参数来评估模型性能,其中R2反映了拟合的优度,Q2则反映了模型的预测能力。研究结果表明,在数据归一化之前,两种光谱仪在OPLS-DA聚类分析中均表现出良好的结果。与手持式光谱仪的 SERS 光谱相比,大拉曼在组内显示出相对较小的差异。标准化处理后的数据使得光谱之间的区分更为明显,提高了聚类分析的准确性和预测能力。综上所述,光谱数据经过标准化处理后,大拉曼和手持式光谱仪均能有效对光谱数据进行聚类分析,均可以较好的区分出四种肠炎沙门氏菌血清型。
图3两种光谱仪沙门氏菌SERS光谱的OPLS-DA分析。(A) 大拉曼测量的原始数据的OPLS-DA聚类分析。(B) 大拉曼测量的标准化数据的OPLS-DA聚类分析。(C) 手持式光谱仪测量的原始数据的OPLS-DA聚类分析。(D) 手持式光谱仪测量的标准化数据的OPLS-DA聚类分析。
③手持与大拉曼SERS光谱的机器学习分析
本研究构建并比较了六种有监督的机器学习方法来区分四种沙门氏菌血清型SERS光谱。该研究首先分析了基于大拉曼拉曼光谱仪的光谱数据(表1),SVM模型的预测准确率最高,为99.38%。其他三个评价指标的精度、召回率和F1-Score值分别为99.38%、99.44%和99.38%,5倍交叉验证评分为99.98%,AUC值为99.98%。这表明SVM模型的稳定性和鲁棒性优于其他机器学习算法。除SVM模型外,RF、XGBoost、AdaBoost和DT模型的准确率超过95%,说明这些模型可以有效地预测大拉曼测量的沙门氏菌SERS光谱。
表1 6种机器学习算法对大拉曼肠道沙门氏菌血清型SERS光谱数据的预测能力对比分析。
Algorithm | Accuracy | Precision | Recall | F1-score | 5-Fold CV | AUC |
SVM | 99.38% | 99.38% | 99.44% | 99.38% | 99.98% | 99.98% |
RF | 98.13% | 98.13% | 98.33% | 98.12% | 97.97% | 98.97% |
XGBoost | 97.50% | 97.50% | 97.55% | 97.50% | 98.28% | 98.17% |
AdaBoost | 97.50% | 97.50% | 97.55% | 97.50% | 97.03% | 98.00% |
DT | 96.25% | 96.25% | 96.44% | 96.23% | 97.19% | 97.12% |
QDA | 88.75% | 88.75% | 88.99% | 88.97% | 86.40% | 90.43% |
接下来,同样使用六种机器学习算法评估手持拉曼光谱仪收集SERS光谱在预测四种沙门氏菌血清型的能力(表2)。结果表明,SVM模型的准确率最高,达到99.97%。精密度评分为99.97%,召回率为99.98%,f1-评分为99.97%,AUC为100%,5倍交叉验证评分模型达到100%,是本研究中使用的所有其他机器学习模型中最稳健的模型。另一方面,QDA和AdaBoost算法的准确率低于70%,表明根据手持拉曼光谱仪获得的SERS光谱分析,这两种算法对肠道沙门氏菌血清型的预测性能相对较差。
表2 6种机器学习算法对手持式光谱仪肠道沙门氏菌血清型SERS光谱数据的预测能力对比分析。
Algorithm | Accuracy | Precision | Recall | F1-score | 5-Fold CV | AUC |
SVM | 99.97% | 99.97% | 99.98% | 99.97% | 99.05% | 100% |
RF | 95.11% | 95.11% | 95.21% | 95.15% | 90.90% | 95.67% |
XGBoost | 94.02% | 94.02% | 94.23% | 94.01% | 90.22% | 95.50% |
DT | 84.24% | 84.24% | 84.71% | 84.24% | 86.97% | 85.64% |
QDA | 64.67% | 64.67% | 60.21% | 63.05% | 60.74% | 68.62% |
AdaBoost | 51.63% | 51.63% | 57.93% | 57.05% | 61.56% | 57.94% |
通过对不同拉曼光谱仪的SERS光谱分析发现,SVM模型在两种仪器中始终提供了最好的预测结果,手持光谱仪的预测结果甚至优于大拉曼。这一优势可以归因于SVM算法对噪声和异常值的鲁棒性,以及它在处理类别间的非线性和复杂边界方面的有效性。由于该算法增强了捕获非线性关系和潜在结构的能力,因此它可以更准确地区分真实的信号和噪声。这种能力显著提高了模型对手持拉曼光谱仪数据的预测精度,有效地解决了与手持拉曼光谱仪的低数据质量问题。
综上所述,研究结果表明手持式拉曼光谱仪与机器学习模型相结合时,可以达到与大拉曼相似的预测精度,为快速、准确和经济有效地鉴定密切相关的沙门氏菌不同血清型提供了有效的解决方案。
SERS技术与机器学习算法的结合为公共卫生安全领域提供了一种新的技术方法。手持式拉曼光谱仪作为一种便携性强、成本效益高的仪器,具有广阔的应用前景,有望在食品安全控制和监测等领域发挥更大作用,为应对食源性疾病提供更加可靠的支持。
3、 仪器推荐
本文中用到的如海光电RMS1000微型共焦拉曼光谱仪,现已升级为RMS3000。
产品简介
RMS3000是一款微型的785 nm同轴共聚焦拉曼光谱仪,其采用全空间光设计,优化散热接口,采用N.A0.11数值孔径激发采集光路。支持Windows、Linux和Windows多种操作平台和主控系统,随机配备手机端(Andorid)和电脑端采集分析软件。
具备非凡的分辨率、灵敏度、穿透能力和抑制荧光干扰能力。既可以单独使用也可以作为核心部件集成进拉曼自动化系统,满足科研院所、相关监管机构与企业在无机/有机材料、生物生命、化学/化工、药物分析、食品安全、刑侦鉴定、环境污染检测等研究中的需求。
产品特点
• 体积小巧,重量轻,只有103×83×26 mm和305 g;
• 空间光、微型共聚焦设计,最小光斑≤30 μm;
• 高分辨率(~6 cm-1),高抑制荧光能力,能够轻松测量高荧光样品,获取拉曼光谱;
• 高灵敏度,500 ms即可实现常规化学品的拉曼光谱,最低可以检测0.3%的分析纯酒精;
• 可配置线扫式探头,可以采集4.5 mm*1 mm的线扫光斑,降低样品照射功率密度;
• 可配置外触发手柄,方便工业现场数据采集;
• 支持手机和电脑双平台,方便户外现场直接测量;
• 超低功耗,无须额外电源供电,通过USB手机可以直接实现光谱采集分析;
• 强大的软件分析功能,支持常规的HQI,峰位检索,深度学习神经网络等算法;
• 可以适配显微镜组成显微共聚焦拉曼。
规格参数
更多
激光诱导击穿光谱技术在钾盐和钠盐检测中的应用
厂商
2024.09.23
拉曼光谱仪应用之仿制药品检测
厂商
2024.09.12
基于上转换荧光技术的牛奶中氨苄青霉素检测方法
厂商
2024.09.03
光谱仪应用之颜色测量
厂商
2024.08.26