Deep Learning ermöglicht frühzeitige Erkennung und Klassifizierung lebender Bakterien mittels Holographie

Wasserinduzierte Krankheiten betreffen weltweit mehr als 2 Milliarden Menschen und verursachen eine erhebliche wirtschaftliche Belastung. So kostet beispielsweise die Behandlung von durch Wasser übertragenen Krankheiten allein in den Vereinigten Staaten jährlich mehr als 2 Milliarden Dollar, wobei jährlich 90 Millionen Fälle registriert werden. Unter den Problemen im Zusammenhang mit durch Wasser übertragenen Krankheitserregern ist eines der häufigsten Probleme der öffentlichen Gesundheit das Vorhandensein von insgesamt coliformen Bakterien und Escherichia coli (E. coli) im Trinkwasser, was auf eine fäkale Verunreinigung hinweist. Traditionelle kulturbasierte Bakteriennachweismethoden dauern oft 24-48 Stunden, gefolgt von einer visuellen Inspektion und einer Koloniezählung durch einen Experten, entsprechend den Richtlinien der United States Environmental Protection Agency (EPA). Alternativ dazu können molekulare Nachweismethoden, die beispielsweise auf der Amplifikation von Nukleinsäuren basieren, die Nachweiszeit auf einige Stunden reduzieren, aber ihnen fehlt im Allgemeinen die Empfindlichkeit für den Nachweis von Bakterien in sehr niedrigen Konzentrationen, und sie sind nicht in der Lage, zwischen lebenden und toten Mikroorganismen zu unterscheiden. Darüber hinaus gibt es keine von der EPA zugelassene, auf Nukleinsäuren basierende Methode zum Nachweis coliformer Bakterien in Wasserproben.

Daher besteht ein dringender Bedarf an einer automatisierten Methode, mit der ein schneller und hochempfindlicher Nachweis von Bakterienkolonien im Hochdurchsatz erreicht werden kann und die eine leistungsfähige Alternative zu den derzeit verfügbaren, von der EPA zugelassenen Goldstandard-Methoden darstellt, die mindestens 24 Stunden dauern und einen Experten für die Koloniezählung erfordern.

In einer neuen Veröffentlichung in Light: Science & Applications veröffentlicht wurde, hat ein Team von Wissenschaftlern unter der Leitung von Professor Aydogan Ozcan vom Electrical and Computer Engineering Department an der University of California, Los Angeles (UCLA), USA, und Mitarbeitern ein KI-gestütztes intelligentes Bildgebungssystem zur Früherkennung und Klassifizierung lebender Bakterien in Wasserproben entwickelt. Auf der Grundlage der Holographie entwarfen sie ein hochempfindliches Imaging-System mit hohem Durchsatz, das kontinuierlich mikroskopische Bilder einer ganzen Kulturplatte, auf der Bakterien wachsen, aufnimmt, um durch die Analyse dieser Zeitraffer-Bilder mit einem tiefen neuronalen Netzwerk schnell das Wachstum von Kolonien zu erkennen. Nach dem Nachweis jedes Koloniewachstums wird ein zweites neuronales Netzwerk verwendet, um die Art der Bakterien zu klassifizieren.

Die Wirksamkeit dieser einzigartigen Plattform wurde durch die Durchführung einer Früherkennung und Klassifizierung von drei Arten von Bakterien, d.h. E. coli, Klebsiella aerogenes (K. aerogenes) und Klebsiella pneumoniae (K. pneumoniae), demonstriert, und die Forscher der UCLA erreichten eine Nachweisgrenze von 1 koloniebildenden Bakterium pro 1 Liter Wasserprobe unter 9 Stunden Gesamttestzeit, was eine Zeitersparnis von mehr als 12 Stunden für den Bakteriennachweis im Vergleich zu den Goldstandard-EPA-Methoden darstellt. Diese Ergebnisse unterstreichen das transformative Potenzial dieser KI-gestützten holographischen Bildgebungsplattform, die nicht nur einen hochempfindlichen, schnellen und kostengünstigen Nachweis lebender Bakterien ermöglicht, sondern auch ein leistungsstarkes und vielseitiges Werkzeug für die mikrobiologische Forschung darstellt.