美國斯坦福大學（Stanford University）開發了用于分析血液和廢水的人工智能（AI）輔助方法。
微生物的可靠檢測和鑒別對于醫學診斷、環境監測、食品生產、生物防御、生物制造和藥物開發至關重要。雖然病原體檢測通常使用體外液體培養方法，但據估計，使用目前的實驗室方法，可以輕松培養的細菌種類不到所有細菌種類的2%。此外，在這2%中，根據細菌種類的不同，培養過程可能需要數小時到數天不等。因而由于診斷進程緩慢，在等待細菌培養結果時通常使用廣譜抗生素，導致抗生素耐藥細菌數量驚人地增加。
拉曼光譜是一種無標記振動光譜技術，最近已成為一種有前途的細菌種類鑒別平臺。由于每個細胞種類和菌株都有獨特的分子結構，因而它們具有可用于鑒別的獨特的光譜指紋。與基于核酸的檢測方法（如聚合酶鏈式反應（PCR））和基于蛋白質的檢測方法（如基質輔助激光解吸/電離飛行時間質譜（MALDI-TOF）和酶聯免疫分析（ELISA））相比，拉曼光譜檢測技術只需很少或不需要使用試劑或標記，設備成本相對較低，并具有無擴增檢測的潛力。此外，拉曼光譜檢測技術是一種無損技術，首先，其激發激光功率很低，使細胞可以保持活性；其次，測量結果基本不受細胞中水分的干擾；最后，檢測只需非常小的樣本量。與等離子體或米式共振納米顆粒結合，拉曼光譜信號平均可以增強10?-10?倍，最高可增強101?倍，從而實現對細胞的快速檢測。由于這些優勢，拉曼光譜檢測技術已經成功地應用于基因分析、蛋白質檢測，甚至單分子檢測。最近的工作也顯示了拉曼光譜檢測技術在細胞鑒別方面的令人興奮的進展，包括細菌鑒別、免疫分析和活體活檢。然而，為了提高拉曼光譜檢測技術的臨床和工業實用性，它必須與簡便的樣本制備方法相結合。
據麥姆斯咨詢報道，近期，美國斯坦福大學的一個研究項目開發了一種細菌鑒別技術，該技術結合了表面增強拉曼光譜（SERS）、機器學習和用于樣本制備的生物打印方法。這項研究近期以“Combining Acoustic Bioprinting with AI-Assisted Raman Spectroscopy for High-Throughput Identification of Bacteria in Blood”為題發表在Nano Letters期刊上。
拉曼光譜技術用于細菌鑒別原理示意圖
據參與該項目的研究人員稱，傳統培養方法可能需要數小時或數天，作為傳統培養方法的替代方法，這種新方法可以快速、廉價、更準確地對許多不同液體進行微生物分析。
斯坦福大學Fareeha Safir說：“不僅每種細菌都表現出獨特的光譜特征，而且給定樣本中幾乎所有其他分子或細胞都是如此。樣本中的紅細胞、白細胞和其他成分都在發送自己的信號，因此很難從其他細胞的噪音中區分微生物的光譜信號。”
要解決這個問題，研究小組需要考慮的是如何利用極少量的樣本達到最好的細胞分離效果，盡可能多地去除不必要的光譜信號。為了解決這一挑戰，該研究借鑒了噴墨打印技術的原理，使用了一種被稱為聲學微滴噴射（ADE）的技術。在使用聲學微滴噴射技術時，超聲波將聚焦在流體-空氣界面，產生輻射壓力，從而使液體表面噴射出液滴，其液滴大小與換能器的頻率成反比。
從細胞原液中噴射出的圖案化液滴
未來的即時檢測技術
該平臺的拉曼面利用金納米棒（GNRs）進行表面增強，將金納米棒引入樣本液體中，通過聲學打印操作將細菌和金納米棒都沉積到鍍金載玻片上。
聲學打印平臺和共聚焦拉曼裝置示意圖
該研究團隊在其發表的論文中評論道：“這項試驗首次展示了利用微觀生物實體和納米顆粒進行的多組分樣本的穩定而精確的高頻聲波打印。”
此外，在該項試驗中，基于拉曼光譜的分析被應用于大腸桿菌、葡萄球菌，以及小鼠紅細胞樣本，并使用之前從均勻細胞樣本中訓練的機器學習算法來鑒別不同類別樣本的拉曼光譜特征。
利用拉曼光譜信號鑒別用金納米棒（GNRs）打印的細胞樣本
基于機器學習算法和拉曼光譜技術鑒別大腸桿菌、葡萄球菌，以及小鼠紅細胞樣本
結果顯示，該系統對細胞純樣本的分類準確率超過99%，對細胞混合樣本的分類準確率為87%。此外，使用金納米棒和不使用金納米棒的檢測結果證實，拉曼光譜信號在生物打印樣本中會發生表面增強，其放大倍數高達1500倍。
根據該研究團隊的說法，該方法可以幫助推進基于拉曼光譜的研究、臨床診斷和疾病管理，為未來的即時檢測系統提供基于流體的生物標志物微創檢測。該平臺也可以應用于其他液體的檢測，比如公共衛生監測領域的飲用水檢測。
研究團隊成員Amr Saleh說：“這是一種創新的解決方案，有可能挽救生命。我們對該方法潛在的商業化機會感到興奮，這可以幫助重新定義細菌檢測和單細胞表征的標準。”
論文信息：
https://doi.org/10.1021/acs.nanolett.2c03015
