基于微菌落的实例分割框架,用于快速测定金黄色葡萄球菌的抗菌药物敏感性

《Food Bioscience》:Microcolony-based Instance Segmentation Framework for Rapid Quantification of Antimicrobial Susceptibility in Staphylococcus aureus

【字体: 大 中 小 】 时间:2026年07月02日 来源:Food Bioscience 6.2

编辑推荐:

  Jungheon Kim|Young-Min Choi|Jung-Soo Lee|Inyoung Choi|Jaejoon Han韩国食品研究院企业解决方案研究中心,韩国万珠市55365摘要快速评估抗菌活性对于控制微生物污染和确保食品安全至关重要。人工智能领域的最新进展使得能够从

  
Jungheon Kim|Young-Min Choi|Jung-Soo Lee|Inyoung Choi|Jaejoon Han
韩国食品研究院企业解决方案研究中心,韩国万珠市55365

摘要

快速评估抗菌活性对于控制微生物污染和确保食品安全至关重要。人工智能领域的最新进展使得能够从显微图像中自动检测细菌菌落,为快速微生物分析提供了新可能。本研究开发了一种基于YOLO的实例分割模型,利用显微成像技术检测并量化金黄色葡萄球菌的早期微菌落。经过训练的YOLO模型表现出可靠的检测性能,精确度为0.93,召回率为0.86,mAP@0.5值为0.92,mAP@0.5:0.95值为0.70。该模型可实现基于像素的细菌微菌落检测量化。通过YOLO检测到的菌落总像素面积建立的校准模型与传统平板计数结果具有高度相关性(R2 = 0.9987)。此外,还使用五种无机抗菌化合物进行了抗菌敏感性测试,结果显示AlCl3的最小抑制浓度和最小致死浓度分别为3150和3500毫克/千克,ZnCl2为2430和2700毫克/千克,FeCl3也为2430和2700毫克/千克,SiCl4为1620和1800毫克/千克,TiCl4则为4500和5000毫克/千克。这些结果表明,在体外条件下,YOLO辅助的微菌落检测技术可可靠地量化金黄色葡萄球菌的生长情况,并评估其在微菌落阶段的抗菌活性。尽管在直接应用于食品系统之前还需要针对复杂食品基质开展进一步研究,但该技术可作为快速进行与食品安全相关的抗菌敏感性测试的有效筛选工具。

引言

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。

章节节选

细菌菌株及培养准备

金黄色葡萄球菌ATCC 6538P是从美国典型培养物保藏中心获得的。在实验开始前,该菌株被制备成冷冻保存的菌种库。这些菌种库被分装到1毫升的冷冻管中,储存在-80℃条件下直至使用。在每次实验中,都会将冷冻保存的菌种解冻后,在37℃下的胰蛋白胨大豆肉汤中预培养18小时,以获得处于活跃生长状态的细菌细胞。随后,这些预培养的悬浮液就会被用于抗菌测试。

基于YOLO的微菌落检测模型的性能

通过混淆矩阵分析评估了基于YOLO的实例分割模型在检测金黄色葡萄球菌微菌落方面的性能(见图2)。一般来说,人工智能模型的性能可以通过四种基本的分类结果来评估:真阳性、真阴性、假阳性和假阴性,这些结果构成了分类任务中混淆矩阵分析的基础(Sokolova & Lapalme, 2009)。由于实例分割可以被视作一种逐像素的分类任务,因此也可以通过混淆矩阵分析来评估其性能。

结论

本研究开发了一种基于YOLO的实例分割方法,用于从显微图像中检测金黄色葡萄球菌的微菌落,并通过自动化图像分析评估其抗菌活性。该模型能够实现细菌微菌落在像素级别的检测,并且与传统的平板计数法在细菌定量方面具有高度一致性。通过建立基于YOLO检测结果的像素值与实验测得的细菌浓度之间的校准模型,我们发现二者具有很高的一致性。

CRediT作者贡献说明

Jung-Soo Lee:撰写——审稿与编辑。Jaejoon Han:撰写——审稿与编辑、撰写——初稿、指导、资源提供、实验开展、概念构思。Inyoung Choi:撰写——审稿与编辑、撰写——初稿、指导、概念构思。Young-Min Choi:撰写——初稿、方法设计、实验开展、正式分析。Jungheon Kim:撰写——审稿与编辑、撰写——初稿、结果可视化、方法设计、实验开展、资金获取、正式表述。

未引用参考文献

Jayan等人,2020年;Park等人,2025年。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知竞争性财务利益或个人关系。

作者声明

  • •
    我们声明,本手稿为原创内容,未曾发表过,也不存在同时被其他期刊考虑发表的情况。
  • •
    我们确认,所有列出的作者都已阅读并批准了本手稿,而且没有其他符合作者资格但未被列入名单的人士。
  • •
    我们进一步确认,手稿中作者的排序已得到所有人的认可。
  • •
    我们知晓,通讯作者是与编辑部联系的唯一联系人。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知竞争性财务利益或个人关系。

致谢

本研究得到了韩国食品研究院的“主要研究计划”资助,项目编号为E0211700-05,资金由韩国科学信息通信技术部提供。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号