« L'apprentissage en profondeur permet une détection précoce et une classification des bactéries vivantes à l'aide de l'holographie », source Light Publishing Center, Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy.
Les maladies d'origine hydrique affectent plus de 2 milliards de personnes dans le monde, ce qui entraîne un lourd fardeau économique.
Par exemple, le traitement des maladies d'origine hydrique coûte plus de 2 milliards de dollars par an aux États-Unis seulement, avec 90 millions de cas enregistrés par an. Parmi les problèmes liés aux agents pathogènes d'origine hydrique, l'un des problèmes de santé publique les plus courants est la présence de bactéries coliformes totales et de Escherichia coli (E. coli) dans l'eau potable, ce qui indique une contamination fécale.
Les méthodes traditionnelles de détection des bactéries basées sur la culture prennent souvent 24 à 48 heures, suivies d'une inspection visuelle et d'un comptage des colonies par un expert, selon les directives de l'Agence américaine de protection de l'environnement (EPA).
Alternativement, des méthodes de détection moléculaire basées, par exemple, sur l'amplification des acides nucléiques, peuvent réduire le temps de détection à quelques heures, mais elles manquent généralement de sensibilité pour détecter les bactéries à de très faibles concentrations, et ne sont pas capables de faire la différence entre les vivants et les micro-organismes morts.
De plus, il n'existe pas de méthode à base d'acides nucléiques approuvée par l'EPA pour détecter les bactéries coliformes dans les prélèvements d'eau.
Par conséquent, il existe un besoin urgent d'une méthode automatisée qui puisse atteindre une détection rapide et à haut débit des colonies bactériennes avec une sensibilité élevée afin de fournir une alternative puissante aux méthodes standard actuellement approuvées par l'EPA qui prennent au moins 24 heures et nécessitent une expert pour le dénombrement des colonies.
Dans un nouvel article publié dans Light: Science & Applications, une équipe de scientifiques, dirigée par le professeur Aydogan Ozcan du Département de génie électrique et informatique de l'Université de Californie, Los Angeles (UCLA), États-Unis, et des collègues ont développé un Système d'imagerie intelligent alimenté par l'Intelligence artificielle (IA) pour la détection précoce et la classification des bactéries vivantes dans les prélèvements d'eau. Sur la base de l'holographie, ils ont conçu un système d'imagerie très sensible et à haut débit, qui capture en continu des images microscopiques d'une boîte de culture, où des bactéries se développent, pour détecter rapidement la croissance des colonies en analysant ces images en accéléré avec un réseau neuronal profond. Après la détection de la croissance de chaque colonie, un deuxième réseau neuronal est utilisé pour classer le type de bactérie.
L'efficacité de cette plate-forme unique a été démontrée en effectuant une détection précoce et une classification de trois types de bactéries, à savoir E. coli, Klebsiella aerogenes (K. aerogenes) et Klebsiella pneumoniae (K. pneumoniae), et les chercheurs de l'UCLA ont atteint une limite -de-détection de 1 bactérie formant colonie pour 1 litre d'eau en 9 heures de temps pour l’analyse, démontrant un gain de temps de plus de 12 heures pour la détection des bactéries par rapport aux méthodes EPA standard. Ces résultats mettent en évidence le potentiel transformateur de cette plateforme d'imagerie holographique alimentée par l'IA, qui permet non seulement une détection très sensible, rapide et rentable des bactéries vivantes, mais fournit également un outil puissant et polyvalent pour la recherche en microbiologie.
Légende.
a, schéma de l'appareil. b, Image d’une boîte de colonies de E. coli et K. aerogenes. c, Exemples d'images des colonies bactériennes en croissance individuelles détectées par un réseau neuronal profond formé. Les points temporels de détection et de classification des colonies en croissance sont annotés par des flèches bleues. La barre d'échelle est de 0,1 mm. Cette recherche a reçu un financement de l'US ARO.
Cliquez sur l'image pour l'agrandir |
Crédit de Hongda Wang, Hatice Ceylan Koydemir, Yunzhe Qiu, Bijie Bai, Yibo Zhang, Yiyin Jin, Sabiha Tok, Enis Cagatay Yilmaz, Esin Gumustekin, Yilin Luo, Yair Rivenson, Aydogan Ozcan.
NB : L'article est disponible intégralement et gratuitement.
NB : L'article est disponible intégralement et gratuitement.
Aucun commentaire:
Enregistrer un commentaire
Remarque : Seul un membre de ce blog est autorisé à enregistrer un commentaire.