《Colloids and Surfaces B: Biointerfaces》:Comparative evaluation of magnetic metal oxide nanoparticles for microorganism concentration: From standard strains to cerebrospinal fluid samples using statistical and artificial neural network modeling
编辑推荐:
磁性纳米颗粒在低生物质样本中的微生物浓缩效率及影响因素研究。比较了铁、钴、镍氧化物磁性纳米颗粒对大肠杆菌、金黄色葡萄球菌和白色念珠菌的浓缩效果,发现微生物浓度是主要影响因素,纳米颗粒类型和浓度对孵育时间响应存在差异。人工神经网络模型验证了其预测准确性,临床测试显示该技术优于传统离心法且无假阳性。
Bilsen Tural|Erdal Erta?|Bu?ra Bekta?|Emre Tural|Hakan Temiz|Erdal ?zbek|Servet Tural
土耳其迪亚巴克尔迪克勒大学科学研究所纳米技术系,邮编21280
摘要
基于磁性纳米颗粒的微生物浓缩方法是一种提高低生物量生物样本检测效率的有效策略。本研究通过实验、统计方法和人工神经网络(ANN)对三种磁性金属氧化物纳米颗粒(氧化铁纳米颗粒(IOMNPs)、氧化钴纳米颗粒(COMNPs)和氧化镍纳米颗粒(NOMNPs)的微生物浓缩性能进行了比较评估。
选择了三种具有临床意义的微生物——大肠杆菌、金黄色葡萄球菌和白色念珠菌,并在不同的实验条件下进行测试,包括纳米颗粒浓度、微生物浓度和培养时间。共进行了360次实验以评估各参数的影响。经典统计分析用于识别不同纳米颗粒系统之间的显著差异,而ANN建模则用于捕捉实验变量之间的非线性关系。
结果表明,微生物浓度是影响所有类型纳米颗粒回收效率的主要因素,而纳米颗粒浓度和培养时间的影响则取决于具体的纳米颗粒和微生物种类。比较分析显示,尽管差异较小,但氧化铁纳米颗粒的回收性能普遍优于氧化镍纳米颗粒。ANN建模显示出较高的预测准确性,并一致地将微生物浓度、微生物种类和纳米颗粒类型确定为最具影响力的参数。
通过280份脑脊液样本验证了该方法的临床适用性,结果表明基于磁性纳米颗粒的浓缩方法优于传统的离心法,且未产生假阳性结果。这是首次在相同的实验和临床条件下对多种磁性金属氧化物纳米颗粒进行系统比较的研究。
引言
中枢神经系统感染(包括脑膜炎和脑炎)仍然是导致高发病率和死亡率的严重临床疾病[1] [2]。因此,及时准确地鉴定脑脊液(CSF)中的致病微生物对于适当的临床管理至关重要。然而,传统的基于培养的诊断方法由于脑脊液样本中微生物含量较低(尤其是在早期阶段),往往灵敏度有限。
化学物质与材料
本研究中使用的所有化学试剂均为分析级,无需进一步纯化。六水合氯化铁(FeCl?·6H?O)、四水合氯化亚铁(FeCl?·4H?O)、六水合氯化钴(CoCl?·6H?O)、六水合氯化镍(NiCl?·6H?O)、氢氧化铵(NH?OH,浓度28%至30%)、柠檬酸、硼氢化钠(NaBH?)、氢氧化钠(NaOH)、肼和水合肼以及乙二醇均购自Sigma Aldrich(德国默克公司),除非另有说明。
磁性金属氧化物纳米颗粒的物理化学特性
通过FT IR、DLS和VSM分析评估了合成的IOMNPs、COMNPs和NOMNPs的物理化学性质,以确认其结构完整性、胶体特性和磁性能。FT IR光谱显示所有纳米颗粒类型均具有特征性的金属氧伸缩振动,证实了相应金属氧化物结构的成功形成(见补充图S1)。未观察到与残留前体或杂质相关的额外峰。
讨论
本研究系统地评估了纳米颗粒浓度、微生物浓度、培养时间、纳米颗粒类型和微生物类型对磁性纳米颗粒辅助微生物回收的相对影响。通过结合经典统计分析和人工神经网络建模,结果提供了一个全面的框架,以理解在复杂非因素实验条件下影响浓缩效率的主导因素和次要因素。
结论
本研究使用综合的实验、统计和基于ANN的方法系统评估了三种磁性金属氧化物纳米颗粒(IOMNPs、COMNPs和NOMNPs)的微生物浓缩性能。在受控实验条件下,研究了纳米颗粒浓度、微生物浓度和培养时间对不同类型微生物的影响。
经典统计分析表明,微生物浓度是影响...
伦理审批
本研究已获得土耳其迪亚巴克尔迪克勒大学非侵入性研究伦理委员会的批准(编号:2021/09/21-410和2023/12/20-3)。数据获取
本研究生成和/或分析的数据可根据合理请求向相应作者获取。人类伦理与参与同意
不适用。本研究使用了匿名数据,并已获得迪克勒大学非侵入性研究伦理委员会的批准。临床试验编号
不适用。利益冲突
作者没有需要披露的相关财务或非财务利益。作者贡献声明
Servet Tural:撰写——审稿与编辑、撰写——初稿、方法学、实验设计、数据分析、数据管理。Erdal ?zbek:实验设计、数据分析。Hakan Temiz:实验设计、资金获取、数据分析。Emre Tural:撰写——审稿与编辑、撰写——初稿、数据可视化、验证、软件应用。Bu?ra Bekta?:实验设计、数据分析。Erdal Erta?:撰写——初稿、实验设计、数据分析、数据管理。Bilsen Tural:撰写——利益冲突声明
作者声明不存在可能影响本文研究的已知财务或个人利益冲突。致谢
作者感谢土耳其科学技术研究委员会(TUBITAK,项目编号:SBAG-223S427)、迪克勒大学研究基金会(DUBAP,项目编号:ZGEF.24.012、ZGEF.24.008、ZGEF.24.005和ZGEF.23.001)以及巴特曼大学研究基金(BTüBAP,项目编号:BTüBAP-2023-TBMYO-06)对支持本研究的研究活动的资助。