[论文解读] Rapid, antibiotic incubation-free determination of tuberculosis drug resistance using machine learning and Raman spectroscopy

Babatunde Ogunlade, Loza F. Tadesse+7 more|arXiv (Cornell University)|Jun 9, 2023

Spectroscopy Techniques in Biomedical and Chemical Research被引用 4

一句话总结

本研究提出了一种基于拉曼光谱与机器学习的快速、无需培养且无需抗生素孵育的结核病耐药性检测方法。通过分析分枝杆菌属结核复杂菌株（包括耐药性BCG突变株）的单细胞至少数细胞拉曼光谱，该方法在干燥样本上的准确率超过98%，在患者痰液样本上的准确率约为79%，实现了在资源有限环境下的即时检测，且仅需成本低廉的便携式设备。

ABSTRACT

Tuberculosis (TB) is the world's deadliest infectious disease, with over 1.5 million deaths annually and 10 million new cases reported each year. The causative organism, Mycobacterium tuberculosis (Mtb) can take nearly 40 days to culture, a required step to determine the pathogen's antibiotic susceptibility. Both rapid identification of Mtb and rapid antibiotic susceptibility testing (AST) are essential for effective patient treatment and combating antimicrobial resistance. Here, we demonstrate a rapid, culture-free, and antibiotic incubation-free drug susceptibility test for TB using Raman spectroscopy and machine learning. We collect few-to-single-cell Raman spectra from over 25,000 cells of the MtB complex strain Bacillus Calmette Guerin (BCG) resistant to one of the four mainstay anti-TB drugs, isoniazid, rifampicin, moxifloxacin and amikacin, as well as a pan susceptible wildtype strain. By training a neural network on this data, we classify the antibiotic resistance profile of each strain, both on dried samples and in patient sputum samples. On dried samples, we achieve >98% resistant versus susceptible classification accuracy across all 5 BCG strains. In patient sputum samples, we achieve ~79% average classification accuracy. We develop a feature recognition algorithm in order to verify that our machine learning model is using biologically relevant spectral features to assess the resistance profiles of our mycobacterial strains. Finally, we demonstrate how this approach can be deployed in resource-limited settings by developing a low-cost, portable Raman microscope that costs <$5000. We show how this instrument and our machine learning model enables combined microscopy and spectroscopy for accurate few-to-single-cell drug susceptibility testing of BCG.

研究动机与目标

• 开发一种快速、无需培养且无需抗生素孵育的结核分枝杆菌耐药性检测方法。
• 通过设计低成本、便携式的拉曼显微镜，实现在资源有限环境中的即时检测。
• 利用机器学习对分枝杆菌属结核复杂菌株的单细胞拉曼光谱进行耐药谱分类。
• 在干燥细菌样本和临床痰液样本上验证该方法的有效性。
• 通过特征识别算法确保机器学习模型依赖于生物上相关的光谱特征，而非噪声或伪影。

提出的方法

• 使用拉曼光谱从五种BCG菌株（野生型全敏感株及四种对异烟肼、利福平、莫西氟沙星或阿米卡星耐药的菌株）的超过25,000个细胞中采集少量至单细胞的光谱数据。
• 利用拉曼光谱数据训练深度神经网络，以分类每种菌株对四种主要抗结核药物的耐药或敏感状态。
• 在干燥细菌样本和患者痰液样本上评估模型性能，以评估其在真实场景中的适用性。
• 开发一种特征识别算法，以验证模型是否使用生物上合理的光谱特征，而非噪声或人为干扰。
• 设计并构建了一款成本低于5,000美元的低成本、便携式拉曼显微镜，用于现场部署。
• 该系统集成显微成像与光谱分析功能，实现无需培养或抗生素孵育的、高精度的少量至单细胞药物敏感性检测。

实验结果

研究问题

• RQ1 拉曼光谱结合机器学习能否实现快速、无需培养且无需抗生素孵育的结核病耐药性检测？
• RQ2 机器学习模型在干燥细菌样本与临床痰液样本上的分类准确率如何？
• RQ3 机器学习模型是否依赖于生物上相关的光谱特征，而非偶然相关性？
• RQ4 低成本、便携式拉曼显微镜能否在资源有限的环境中有效部署用于即时结核病药物敏感性检测？
• RQ5 该方法在不同抗结核药物及耐药谱下的表现如何变化？

主要发现

• 机器学习模型在所有五种BCG菌株的干燥样本上对耐药与敏感菌株的分类准确率超过98%。
• 在患者痰液样本上，模型的平均分类准确率约为79%。
• 特征识别算法证实，模型使用了与细胞壁和代谢变化相关的生物上合理的光谱特征来判断耐药性。
• 为此系统开发的便携式拉曼显微镜成本低于5,000美元，具备在资源有限的临床环境中部署的潜力。
• 该方法实现了显微成像与光谱分析的结合，可在无需细菌培养或抗生素孵育的情况下，实现高精度的少量至单细胞药物敏感性检测。
• 该方法在快速、即时检测结核病耐药性方面具有可行性，与传统方法相比显著缩短了检测周转时间。