Derin Öğrenme, Canlı Bakterilerin Erken Saptanmasını ve Sınıflandırılmasını Sağlar
Fotoğraf : Canlı bakterilerin derin öğrenme yöntemi ile erken tespiti ve sınıflandırılması. a) cihazın şeması. b) E. coli ve K. aerogenes kolonilerinin bütün plaka görüntüsü. c) Derin sinir ağı tarafından tespit edilen bireysel büyüyen bakteri kolonilerinin örnek görüntüleri. Büyüyen kolonilerin saptanması ve sınıflandırılmasının zaman noktaları mavi oklarla açıklanır. Ölçek çubuğu 0,1 mm’dir. UCLA Mühendislik Teknoloji Geliştirme Enstitüsü
Su kaynaklı hastalıklar dünya çapında 2 milyardan fazla kişiyi etkilemekte ve ciddi ekonomik sorunlara yol açmaktadır.
Su kaynaklı hastalıkların en yaygın olanı içme suyunda fekal kontaminasyonu gösteren toplam koliform bakteri ve Escherichia coli (E. coli) varlığıdır.
Amerika Birleşik Devletleri Çevre Koruma Dairesi (EPA) verilerine göre, alışılagelmiş bakteri tespit yöntemleri genellikle 24-48 saat arası sürer ve ardından bir uzman tarafından görsel inceleme ve koloni sayımı yapılır. Alternatif olarak, örneğin nükleik asitlerin amplifikasyonuna dayanan moleküler tespit yöntemleri, tespit süresini birkaç saat düşürebilir, ancak bu yöntemler genellikle bakterileri çok düşük konsantrasyonlarda tespit etme duyarlılığından yoksundurlar. Ayrıca, su numunelerinde koliform bakterileri tespit etmek için EPA onaylı nükleik asit bazlı bir yöntem yoktur.
Bu nedenle, en az 24 saat süren ve şu anda mevcut olan EPA onaylı standart yöntemlere güçlü bir alternatif sağlamak için yüksek hassasiyetle hızlı ve yüksek verimli bakteri koloni tespiti sağlayabilen otomatik bir yönteme acil olarak ihtiyaç duyulmaktadır.
Light: Science & Applications’ta yayınlanan yeni bir makalede, Kaliforniya Üniversitesi, Los Angeles (UCLA), ABD Elektrik ve Bilgisayar Mühendisliği Bölümü’nden Profesör Aydoğan Özcan liderliğindeki bilim insanları ekibi, su örneklerinde canlı bakterilerin erken tespiti ve sınıflandırılması için yapay zeka destekli akıllı görüntüleme sistemi geliştirdiler.
Holografi temel alınarak, koloni büyümesini hızlı bir şekilde tespit etmek için bakterilerin büyüdüğü kültür plakasının mikroskobik görüntülerini sürekli olarak yakalayan, bu hızlandırılmış görüntüleri derin sinir ağı ile analiz eden son derece hassas ve yüksek verimli bir görüntüleme sistemi tasarlandı. Her koloni büyümesinin saptanmasını takiben, bakteri tipini sınıflandırmak için ikinci bir sinir ağı kullanıldı.
Bu eşsiz tasarının etkinliği, üç tip bakterinin, E. coli, Klebsiella aerogenesve Klebsiella pneumoniae’nin erken tespiti ve sınıflandırılmasıyla uygulandı. UCLA araştırmacıları, toplam test süresinin 9 saat altında 1 Litre su örneği başına 1 koloni oluşturan bakteri tespit limiti elde etti. Bu da altın standart EPA yöntemleri ile karşılaştırıldığında bakteri tespiti için 12 saatten fazla zaman tasarrufu sağladı.
Bu sonuçlar, canlı bakterilerin son derece hassas, hızlı ve düşük maliyetli bir şekilde algılanmasını sağlamakla kalmayıp aynı zamanda mikrobiyoloji araştırması için güçlü ve çok yönlü bir araç sağlayan yapay zeka destekli holografik görüntüleme platformunun önemine de dikkat çekmektedir.
Kaynakça: phys.org
