科研推荐 | IR Biotyper 智能机器学习：一键破译蜡样芽孢杆菌复合群 “身份密码”

点击蓝字 关注我们

红外光谱 + 智能机器学习

德国科研团队带来的创新方案，先用基因检测（ces 基因 RT-PCR）和 MALDI Biotyper 微生物质谱快速鉴定系统确认菌株 “身份”，再通过 IR Biotyper 微生物红外光谱分型溯源系统（FT-IR）捕捉细菌的 “化学指纹”，结合主成分分析（PCA）、线性判别分析（LDA）及人工神经网络算法，智能学习不同菌株的光谱特征。

样本来源：从食品和环境中收集 61 株蜡样芽孢杆菌复合群菌株，涵盖蜡样芽孢杆菌、苏云金芽孢杆菌、细胞毒芽孢球菌等多个菌种。

双重验证：通过基因检测（ces 基因 RT-PCR）和质谱（MALDI-TOF MS）确认菌株产毒能力，并用 PCR 对苏云金芽孢杆菌进行分型。

核心技术：利用 FT-IR 采集菌株的化学指纹图谱，结合主成分分析（PCA）、线性判别分析（LDA）及人工神经网络等机器学习算法构建分类模型。

分类准确率 95.2%！ 

FT IR 分析结果：在 3D PCA/LDA 散点图里，不同菌种像 “分班级” 一样聚成独立小组 —— 蜡样芽孢杆菌被分成 7 个亚群（A-G），苏云金芽孢杆菌分成 3 个亚群（A-C），连蕈状芽孢杆菌、假真菌样芽孢杆菌都有专属 “座位”。

当用人工神经网络模型（ANN）测试时，21 株细菌中 20 株被正确分类，整体准确率高达 95.2%。这意味着 FT-IR 光谱结合智能机器学习能像 “指纹识别” 一样精准区分不同菌株！

图2:3D PCA/LDA散点图显示了蜡样芽孢杆菌群类的IRBT聚类，以不同颜色描绘。每个点代表一个光谱。

图3. 偏差图显示了样本在前13个维度上的可分离性，其中一个或多个维度允许区分所有类别。

? 从实验室到现实 ——

IR Biotyper开启微生物分类创新模式 

这项研究证实，FT-IR 技术凭借快速、低成本、高准确率的优势，有望成为食品安全监测、临床感染诊断、环境微生物分析及工业菌株筛选的 “通用利器”。未来若纳入更多菌株样本，其应用潜力将进一步释放！

布鲁克微生物和诊断