Antibiyotik dirençli ve duyarlı bakterilerin yüzeyde zenginleştirilmiş raman spektroskopisi ve makine öğrenmesi teknikleri ile tespiti ve sınıflandırılması

Abstract

Antimikrobiyal dirençteki artış, son yıllarda dünya çapında büyüyen bir sorun haline gelmiştir. Antimikrobiyal direnç gelişimine neden olan iki ana faktör, antibiyotiklerin aşırı ve yanlış kullanımıdır. Bakterilerin hızlı ve güvenilir bir şekilde tanımlanması, bulaşıcı hastalıkları azaltacak ve antimikrobiyal dirençle mücadeleye yardımcı olacaktır. Bakteriyel enfeksiyonları teşhis etmek için mevcutta kullanılan, geleneksel yöntemler zaman alıcıdır, eğitimli personel gerektirir ve karmaşık numune hazırlama süreci içerir. Bu nedenle, bakterileri teşhis etmek için hızlı ve güvenilir tekniklere ihtiyaç vardır.Bu çalışmada, antibiyotiğe dirençli ve duyarlı bakterileri ayırt etmek için yüzeyde zenginleştirilmiş Raman spektroskopisi (YZRS) ve makine öğrenmesi teknikleri kullanılmıştır. Çalışma kapsamında antibiyotiğe dirençli ve duyarlı iki ayrı bakteri tespit edilmiştir. İlk olarak, metisilin dirençli Staphylococcus aureus (MRSA) ve metisilin duyarlı S. aureus (MSSA) bakterilerinin tespiti YZRS ve klasik makine öğrenmesi teknikleri ile %97,8'lik sınıflandırma doğruluğu elde edilmiştir. Ardından MRSA ve MSSA'ya ait toplanan YZRS spektrum sayıları arttırılarak derin sinir ağları ile sınıflandırma gerçekleştirildiğinde sınıflar %97,6 doğruluk ile sınıflandırılmıştır. Ayrıca bu model, 0.99'luk bir eğri altındaki alan (AUC) değeri ile bakterileri ayırt etmiştir. Son olarak, kolistin dirençli Klebsiella pneumoniae ve kolistin duyarlı K. pneumoniae, YZRS ve klasik makine öğrenmesi teknikleri kullanılarak %90,1 doğruluk ile sınıflandırılmıştır. Elde edilen sonuçlar, makine öğrenimi ile birlikte YZRS'nin antibiyotik dirençli ve duyarlı bakterilerin tespiti için umut vaadedici bir araç olduğunu göstermiştir.Anahtar Kelimeler:YZRS, makine öğrenmesi, derin öğrenme, antibiyotik direnci, metisilin, S. aureus, kolistin, K. pneumoniae.

An increase in antimicrobial resistance has become a growing worldwide problem in recent years. The two main factors that caused the development of antimicrobial resistance are overuse and misuse of antibiotics. Rapid and reliable identification of bacteria will decrease infectious diseases and help combat antimicrobial resistance. The current, conventional methods for diagnosing bacterial infections are time-consuming, required trained analysts, and include complex sample preparation process. Therefore, a need exists for rapid and reliable techniques to diagnose of bacteria.In this study, surface-enhanced Raman spectroscopy (SERS) and machine learning techniques were used to discriminate antibiotic-resistant and susceptible bacteria. Within the scope of the study, two separate antibiotic-resistant and sensitive bacteria were detected. Firstly, detection of methicillin-resistant Staphylococcus aureus (MRSA) and methicillin-susceptible S. aureus (MSSA) bacteria was achieved with SERS and classical machine learning techniques, with a classification accuracy of 97.8%. Then, the number of collected MRSA and MSSA SERS spectra were increased and classification was performed with deep neural networks, the classes were classified with 97.6% accuracy. Moreover, the model discriminates bacteria with an area under curve (AUC) of 0.99. Finally, colistin-resistant Klebsiella pneumoniae and colistin-susceptible K. pneumoniae bacteria were also classified using SERS and classical machine learning techniques with 90.1% accuracy. The obtained results show that SERS together with machine learning is a promising tool to detect antibiotic resistant and susceptible bacteria.Key Words:SERS, machine learning, deep learning, antibiotic resistance, methicillin, S. aurues, colistin, K. pneumoniae