Door water overgedragen ziekten treffen wereldwijd meer dan 2 miljard mensen, aanzienlijke economische last veroorzaken. Bijvoorbeeld, de behandeling van door water overgedragen ziekten kost alleen al in de Verenigde Staten meer dan $ 2 miljard per jaar, met 90 miljoen geregistreerde gevallen per jaar. Onder watergedragen pathogeen-gerelateerde problemen, een van de meest voorkomende zorgen voor de volksgezondheid is de aanwezigheid van totale coliforme bacteriën en Escherichia coli ( E coli ) in drinkwater, wat wijst op fecale besmetting. Traditionele op kweek gebaseerde detectiemethoden voor bacteriën duren vaak 24-48 uur, gevolgd door visuele inspectie en kolonietelling door een deskundige, volgens de richtlijnen van de United States Environmental Protection Agency (EPA). Alternatief, moleculaire detectiemethoden gebaseerd op, bijvoorbeeld, de amplificatie van nucleïnezuren, kan de detectietijd tot enkele uren verkorten, maar ze missen over het algemeen de gevoeligheid voor het detecteren van bacteriën bij zeer lage concentraties, en zijn niet in staat onderscheid te maken tussen levende en dode micro-organismen. Verder, er is geen EPA-goedgekeurde op nucleïnezuur gebaseerde methode voor het detecteren van coliforme bacteriën in watermonsters.

Daarom, er is dringend behoefte aan een geautomatiseerde methode die snelle en snelle detectie van bacteriële kolonies met hoge gevoeligheid kan bereiken om een ​​krachtig alternatief te bieden voor de momenteel beschikbare EPA-goedgekeurde gouden standaardmethoden die ten minste 24 uur duren en waarvoor een expert nodig is kolonie tellen.

In een nieuw artikel gepubliceerd in Licht:wetenschap en toepassingen , een team van wetenschappers, onder leiding van professor Aydogan Ozcan van de afdeling Electrical and Computer Engineering van de University of California, Los Angeles (UCLA), ONS., en collega's hebben een door AI aangedreven slim beeldvormingssysteem ontwikkeld voor vroege detectie en classificatie van levende bacteriën in watermonsters. Op basis van holografie, ze ontwierpen een zeer gevoelig en high-throughput beeldvormingssysteem, die continu microscopische beelden van een hele kweekplaat vastlegt, waar bacteriën groeien, om koloniegroei snel te detecteren door deze time-lapse-beelden te analyseren met een diep neuraal netwerk. Na de detectie van elke koloniegroei, een tweede neuraal netwerk wordt gebruikt om het type bacteriën te classificeren.

De werkzaamheid van dit unieke platform werd aangetoond door vroege detectie en classificatie van drie soorten bacteriën, d.w.z., E coli , Klebsiella aerogenes ( K. aerogenes ), en Klebsiella pneumoniae ( K. pneumoniae ), en de UCLA-onderzoekers bereikten een detectielimiet van 1 kolonievormende bacterie per 1 liter watermonster onder 9 uur totale testtijd, wat een tijdsbesparing van meer dan 12 uur voor bacteriedetectie aantoont in vergelijking met de gouden standaard EPA-methoden. Deze resultaten benadrukken het transformatieve potentieel van dit door AI aangedreven holografische beeldvormingsplatform, die niet alleen zeer gevoelige, snelle en kosteneffectieve detectie van levende bacteriën, maar biedt ook een krachtig en veelzijdig hulpmiddel voor microbiologisch onderzoek.