在食品安全和公共卫生领域,致病微生物可能在食品生产的多个阶段进入食品中,从而导致细菌污染。每年都有数百万人因食品污染而患上食源性疾病,这给全球带来了巨大的经济和健康负担(Organization, 2015)。因此,快速准确地检测致病微生物对于预防食源性疾病爆发和提升食品安全水平至关重要(Jayan, Pu, & Sun, 2020)。此外,评估抗菌剂对细菌污染物的有效性对于制定控制食品系统中微生物危害的策略同样重要。
传统的抗菌敏感性测试通常基于培养后的菌落计数,该方法用于测定细菌存活率,并据此确定最小抑制浓度和最小致死浓度。虽然这些方法被广泛视为标准检测手段,但由于需要较长的培养时间才能观察到可见菌落,通常需要18–24小时甚至更久(Ferone, Gowen, Fanning, & Scannell, 2020),这一延迟限制了抗菌剂筛选的效率,尤其是在需要检测大量候选抗菌化合物或材料时。
人工智能领域的最新进展为通过自动化的图像检测和量化技术加速微生物分析提供了新机遇。近年来,机器学习和深度学习方法已被应用于微生物学相关分析,尤其是细菌分类、菌落鉴定和细菌检测方面。例如,Kim等人(2021)利用微流控系统和机器学习算法对细菌种类进行了分类,而Chen等人(2024)则证明卷积神经网络能够从显微图像中识别食源性病原体。此外,Yi、Wisuthiphaet、Raja、Nitin和Earles(2023)报告称,借助人工智能分析荧光图像,可以根据噬菌体诱导的裂解现象检测活细菌细胞。这些研究表明,基于人工智能的图像分析技术能够显著提高微生物检测的速度和自动化程度。
在之前的研究中,我们开发了一种基于深度学习的实例分割框架,利用细菌微菌落的显微图像快速评估其对大肠杆菌的抗菌活性(Kim, Choi, Lyu, Lee, & Han, 2025)。在那项研究中,我们使用了基于YOLO的模型在像素级别检测细菌微菌落,预测的细菌数量与实验测定的菌落形成单位高度吻合。在此基础上,我们能够在更短的培养时间内估算出最小抑制浓度和最小致死浓度(Ma, Yi, Wisuthiphaet, Earles, & Nitin, 2023)。因此,这些结果表明,基于深度学习的微菌落图像分析技术可作为传统菌落计数的替代方法,用于更快地进行抗菌敏感性测试。
然而,由于细胞包膜结构的差异,革兰氏阴性菌和革兰氏阳性菌对无机抗菌剂的敏感性也有所不同。革兰氏阴性菌具有包含脂多糖的外膜,而革兰氏阳性菌则没有这种膜,而是拥有厚厚的肽聚糖层,这一结构差异会影响它们与抗菌金属离子的相互作用(Law, Ab Mutalib, Chan, & Lee, 2015; Park, Earles, & Nitin, 2025)。无机抗菌化合物,包括金属、金属氧化物和金属盐,主要通过释放金属离子来发挥抗菌作用,这些金属离子会干扰细胞的多种功能,如膜完整性、酶活性以及核酸稳定性(Lemire, Harrison, & Turner, 2013)。与那些针对特定代谢途径的传统有机抗菌剂相比,金属离子能够产生多靶点抗菌效果,从而降低抗菌剂耐药性产生的可能性(Frei, Verderosa, Elliott, Zuegg, & Blaskovich, 2023; Turner, 2017)。
尽管之前的研究(Kim等人,2025)证明了微菌落检测框架在评估革兰氏阴性菌大肠杆菌方面的适用性,但本研究将该框架扩展到了革兰氏阳性菌金黄色葡萄球菌。因此,本研究不仅旨在替代原有的目标菌株,还为金黄色葡萄球菌提供了针对该物种的框架扩展与验证。为此,我们通过时间序列微菌落成像、图像标注、基于YOLO的实例分割、预培养时间优化、基于像素的校准以及独立的定量验证,建立了一套专门针对金黄色葡萄球菌的工作流程。随后,我们将该工作流程应用于抗菌敏感性测试,确定了多种无机抗菌化合物的最小抑制浓度和最小致死浓度,并将其与传统平板计数法得到的结果进行了比较。此外,该工作流程还在模型训练过程中加入了数据增强和提前停止机制,以提高模型的泛化能力并减少过拟合现象。