Cet article a été révisé selon Science X processus éditorial
et Stratégies.
Éditeurs ont mis en avant les attributs suivants tout en assurant la crédibilité du contenu :
faits vérifiés
publication évaluée par des pairs
source fiable
relire
D’accord! Crédit : Cell Reports Sciences physiques (2024). DOI : 10.1016/j.xcrp.2024.101902
× fermer
Crédit : Cell Reports Sciences physiques (2024). DOI : 10.1016/j.xcrp.2024.101902
L’équipe du professeur Guo Shifeng de l’Institut de technologie avancée de Shenzhen (SIAT) de l’Académie chinoise des sciences a proposé une nouvelle méthode qui comble le fossé entre la mesure physique et l’intelligence artificielle dans la détection de la viabilité bactérienne. Le étude a été publié dans Cell Reports Physical Science.
La détection de la viabilité bactérienne est une nécessité cruciale pour les industries pharmaceutique, médicale et alimentaire. Pourtant, une approche rapide et non destructive permettant de distinguer les bactéries vivantes intactes des bactéries mortes reste difficile à atteindre.
L’équipe du professeur Guo a introduit une méthodologie robuste et accessible qui intègre l’imagerie par microscopie à force atomique (AFM), la nanomécanique quantitative et les algorithmes d’apprentissage automatique pour évaluer la viabilité des bactéries Gram-négatives et Gram-positives.
L’équipe a utilisé l’AFM liquide pour acquérir les données de morphologie et de spectroscopie de force des bactéries vivantes et mortes. Le traitement ultérieur des données de spectroscopie de force a permis l’extraction de points de données essentiels, notamment la déformation, la constante de ressort bactérien et les valeurs du module de Young.
Ces paramètres extraits ont servi d’entrées dans le cadre de calcul, construisant un classificateur d’empilement. Ce classificateur a fonctionné de manière rapide et autonome, identifiant efficacement la viabilité bactérienne de manière rapide et automatisée.
“Pour l’avenir, nous envisageons d’étendre l’application de cette méthode pour détecter la viabilité d’autres espèces bactériennes et explorer son potentiel dans divers contextes environnementaux et biologiques”, a déclaré le professeur Guo.
Ce travail illustre le pouvoir de la collaboration interdisciplinaire dans la conduite de percées scientifiques et fournit un cadre précieux pour les recherches futures dans les domaines de la microbiologie, de la nanotechnologie et de l’apprentissage automatique.
Plus d’information:
Xiaoyan Xu et al, Nanomécanique et apprentissage automatique basés sur l’AFM pour une détection rapide et non destructive de la viabilité bactérienne, Cell Reports Physical Science (2024). DOI : 10.1016/j.xcrp.2024.101902
Informations sur la revue :
Rapports cellulaires Sciences physiques
2024-04-02 16:51:03
1712066402
#Une #nouvelle #méthode #utilise #nanomécanique #lapprentissage #automatique #pour #une #détection #rapide #viabilité #bactérienne