据统计，细菌感染每年会导致670万病人死亡，因此细菌鉴定对临床上菌群感染诊断十分重要。不同于传统做法（先在实验室中培养细菌，再检测和识别细菌及其抗微生物敏感性），来自斯坦福大学的研究团队提出细菌感染的无培养诊断（culture-free diagnosis of bacterial infections）。该方法通过构建25层卷积残差神经网络，对来自10株细菌的低信噪比的拉曼光谱进行菌群鉴定，并达到了99%的检测准确率。该研究以Rapid identification of pathogenic bacteria using Raman spectroscopy and deep learning为标题发表在Nature Communications杂志（IF=11.9）。

该研究主要包括对实验室培养的菌群的鉴定以及临床病人样本的菌群鉴。

实验室培养菌群的鉴定包括菌群检测、抗生素药物选择以及抗生素易感性实验。从31种实验室培养的菌群中构建出6万张拉曼光谱，在30种菌群检测的盲测准确率达到82%，优于逻辑回归和SVM的76%和75%；在抗生素药物选择上的盲测准确率达到97%，优于逻辑回归和SVM的93%和92%；在抗生素易感性实验上，达到89%的准确率。

临床病人样本的菌群鉴定包括从50位临床病人的菌群中构建出1.2万张拉曼光谱，将其中25位病人的拉曼光谱作为盲测集。在临床病人的菌群检测实验中，只利用10株细菌，达到了99%的准确率。

该研究解决了临床上菌群鉴定速度慢（~天）这一问题，通过应用数据科学的方法，检测速度可以达到~1s。将深度学习技术应用于高背景噪声的拉曼光谱，以识别临床相关的细菌及其经验性治疗。类似的模型可以应用于其他鉴定（材料鉴定）以及光谱技术（红外，或质谱分析）。来源：Nature Communications volume 10, Article number: 4927 (2019)

原文链接：

https://www.nature.com/articles/s41467-019-12898-9