这篇文章主要的研究目的是为了解决食物污染源的检测和识别中存在的问题。本文的最主要的创新点便是使用了神经网络作为数据处理方法,从而解决了使用PCA检测的问题。当然这篇文章同样值得我们学习的还有对于项目的深化,最终做到了实际应用的场景。
快检背景 ✦
Background
图1
在进入这篇文献之前,带大家简单了解快速检测这个研究方向,在现代科技的发展中,传感技术日益受到重视,尤其是对于某些特定领域,如食品、医疗和环境监测等。在这其中,检测方向已然成为研究的热点。我们的团队主要聚焦在化学舌头的设计和制作,这一研究方向也受到了众多学者和研究机构的广泛关注。
化学舌头,这个名字听起来很有趣,但它的背后蕴含了高深的科学原理和技术。这个概念的提出,其实是模仿人类的舌头来设计的。我们人类的舌头上有大量的味蕾,这些味蕾中的蛋白质实际上就是一种化学传感器。当我们品尝食物或者饮料时,这些传感器会捕捉到物质中的化学分子,然后将这些信息转化为电信号,传输到大脑。大脑中的神经元接收到这些信号后,会对其进行分析和处理,最后我们就可以知道这个食物是甜的、咸的还是其他的味道。而化学舌头的工作原理,也是基于这样的理念。首先,它需要一系列特定的化合物,这些化合物能够对特定范围内的标志物产生化学反应。当这些化合物与标志物发生反应时,会产生变化的光学信号。这些光学信号,接下来就会被输入到一个特定的数据分析系统中,这个系统是基于拟神经元的原理设计的。通过这个系统,我们可以对这些光学信号进行分析,最终得到一个结果,这个结果就是我们所谓的“味道”。
实际上,这个系统的最终目的是为了解决现实中的实际检测需求。例如,在食品安全领域,我们可以使用化学舌头来检测食品中是否含有有害物质或者添加剂;在环境监测领域,我们可以使用它来检测空气或水质中的污染物;在医疗领域,我们可以使用它来检测病人体内的某些化学物质,从而判断病人的健康状况。
总之,化学舌头是一个非常有前景的研究方向。通过模仿人类的舌头,我们不仅可以更加深入地了解人类的味觉机制,还可以将这一机制应用到实际的检测工作中,为人类带来更多的便利和福祉。我们团队在这一领域的研究,也取得了很多有价值的成果,我们相信,在不久的将来,化学舌头将会成为人们生活中不可或缺的一个部分。
图2
接下来我们来看一下这篇文章的通讯作者,由于第一作者的资料较少,因此在这里我主要给大家介绍一下通讯作者,Boce Zhang 佛罗里达大学的食品科学系助理教授,主要的研究方向为食品安全和病原体持久性机制,并开发新的监测和干预策略,发表若干篇较为不错的论文。
研究背景 ✦
Background
图3细菌与蔬菜
这篇文章主要的研究目的是为了解决食物污染源的检测和识别中存在的问题。众所周知,食物的污染源是致病细菌,而目前在食物污染源的检测中主要存在的问题为待测物复杂不为单一污染源,在同一个食物中可能存在着一种或者多种细菌,而使用大型仪器虽然可以较好的识别,但是本身检测仪器成本高,不便利,同时仪器给出的数据分析门槛高。使用PCR能识别虽然快速方便,但是识别范围较窄。而在该文章中做出了以下的内容来解决以上的问题首先使用VOCs作为被检物减少检测的干扰内容,其次使用PCA作为检测元器件减少成本,增加便携度,提高检测范围,最后使用NN作为数据处理方法,减少分析难度,提高准确率。相信大家对以上的这三个专有名词不太清楚。
核心设计 ✦
Design
图4 细菌的VOCs
第一个重要的名词便是VOCs,VOCs是由细菌的生命活动中所排泄出的易挥发的小分子物质,如大肠杆菌主要的排除气体为吲哚,而PCA则是在本文章中设计的传感元器件,这些试纸条是被对VOCs可以有针对性识别的染料和指示剂浸泡过,使得这些传感化学分子留在了试纸上,使得这些试纸可以对VOCs产生颜色变化。
图5 PCA
而在本文中使用了23种混合染料制作的PCA试纸,其中每一个试纸条都对一种或两种以及上的VOCs产生响应。
图6 NN概念图
接下来是NN 神经网络做为数据处理方法,是一种全自动数据处理的仿生方法,通过在计算机中设置数据处理神经元来模仿人脑的神经元来完成我们所需要的任务。
文章逻辑 ✦
Logic
图7 逻辑导图
那么在大家理解了这三个主要内容之后,我们先来看这篇文章的主要逻辑,以细菌产生的标志性的VOCs作为被检测目标,制作了针对细菌标志性的VOCs的分子响应的比色检测试纸,在不同的环境和对不同菌产生不同的颜色变化,因此从肉眼和人为的辨别是很困难的,使用神经网络作为数据处理方法。获得较高的区分效果。
实验结果 ✦
Result
这是比较简化的逻辑概念,下面我们就来看看具体的实验内容。
图8 VOCs标志物检测
首先本文做的实验是基础实验图,在这张图中以13种细菌的标志性气体作为VOCs,来测试制作的23个试纸条的响应程度,从图中是可以清晰的看出,每一组PCA均对13种VOC产生了不同的响应,紧接着就是进行了对细菌的检测,在这组数据的实验中是针对了细菌的种类,首先我们可以看到标签,control是由BHI broth为溶液,放置的已经被高温高压灭菌锅杀死后的细菌做为的阴性对照。BHI broth则是任何细菌都不加的溶液作为空白对照。剩下的四种细菌分别为四个不同的类别,取自革兰氏阴性菌革兰氏阳性菌,嗜冷菌和温性菌。这四种菌覆盖了目前可能全部的菌类传染源种类覆盖的较为全面。
图9 菌种区分
在图2中,不同的的温度和不同的时间中PCA产生的变化,这些变化反应了细菌在不同温度下的生长状况。
图10 温度与时间的影响
而图3则是更能说明在37℃的环境下更有利于细菌的生长,我们可以看到到在1-4h中有爆发样增长。
图11 随时间的生长曲线
图4则可以看到即使是在4℃下不同种的菌在不同时间下的生长状况也也是不尽相同的。
图12 4℃状况下4种菌的生长状况
而以上做的4个实验都是为了真实样本的检测和最终进行数据处理而准备的。我们可以看到后续真实样本检测和完整的数据处理主要过程,将菌液放置在托盘中,并把白菜放置在托盘上方,待细菌生长后,VOCs便会产生。
图13 PCA制作过程
在这里,文章给了我们其中一个场景的视觉结果,我们可以看到右边这张图中,试纸点是可以区分接种在白菜上的两种菌以及两种菌的混合的样本。
图14真实样本检测变化
采集PCA的颜色变化,这些颜色变化以RGB的形式作为基本数据,并以这些数据作为训练神经网络的训练集,以刚刚做的四个方面作为标签。在这里简单解释一下,什么是训练集和测试集以及标签,训练集呢就是像我们的课本,作为参考,让神经网络学习,而测试集则是考试卷子,来测评神经网络学习的状况,而标签则更像我们考题的答案,是一个参考和类别的提示。而考试的内容可以是任何的任务,比如分类回归和预测均可以做为神经网络被需求的工作。
图15 训练集制作
在5个场景使用4种菌并读取5个时间点的PCA的数据,并重复20次,将这些数据作为训练集供给神经网络进行训练。便会获得一个训练好的模型。
图16 数据库制作过程
获得了一个训练好的模型,这个模型的意义便是在于用来预测未知的样本,我们可以看到这张图的上半部分整个模型的训练过程,就像我们刚刚描述的那样,而训练好的神经网络所给予的任务用来给出未知样本的分类结果,可以看到下半部分,先使用一个全新的PCA对样本进行色彩采集,并把数据输入到神经网络中,从而获得未知样本中的,菌的种类,菌的生长数量,获得数据的时间以及其当时的温度。
图17 数据库应用
同时在这里文章还给出了在训练过程中,每一个标签,也就是所需要完成的任务的任务达标率,其正确率近乎在进行10000次学习后都达到了90%以上的区分正确率,整体的区分能力可以说是比较优秀的
图18 迭代次数与正确率的关系
然后这篇文章并没有到此就结束了,为了落脚于实际应用,本文做了进一步的深化便是实际场景的应用,之前在温度中进行了4℃的细菌生长实验是为了模拟在肉类菜类在运输过程中一般会采用2-8℃的运输的环境
图19 实际场景应用
在封装盒中装入了简单的PCA试纸条,在一个包裹中接入了菌,进行了污染模拟,而另外一个是没有接种菌则是正常模拟,在经过整个运输的过程后,读取PCA的结果,重新送入神经网络,最终会得出,合格以及不合格产品的结果。从而实现在真实生活中可以产生作用价值的意义。
图20 真实识别
总结
图21 创新性总结
好的,那么本文的工作就介绍了到了这里。首先先对这篇文章进行一下简单的总结首先文章的主要内容便是使用了VOCs做为被检测物质,这样做的好处便在减少检测干扰物质,同时对于被检测的食物进行无创的连续时间检测,而检测元件则是具有便捷制作成本低,识别范围广的优点,而这个优点带来了数据量大,不好分析的缺点。本文的最主要的创新点便是使用了神经网络作为数据处理方法,从而解决了使用PCA检测的问题。当然这篇文章同样值得我们学习的还有对于项目的深化,最终做到了实际应用的场景。而回顾整篇文章则是环环相扣,从实验室的标签实验作为理论基础,到真实样本的数据训练,最终达到实际场景的应用,逻辑严谨,是很值得我们学习。当然可能有一些值得讨论的地方,比如比色试纸的制作因为不均匀而产生的噪声对神经网络学习的影响等等。但是这并不影响我们对这篇文章的逻辑和方法的学习
参考文献:
1. WHO Estimates of the Global Burden of Foodborne Diseases: Foodborne Disease Burden Epidemiology Reference Group 2007–2015 (World Health Organization, 2015); https://www.who.int/foodsafety/publications/foodborne_ disease/fergreport/en/
2. Surveillance for Foodborne Disease Outbreak, United States, 2017: Annual Report (Centers for Disease Control and Prevention, 2019); https://www.cdc.gov/fdoss/annual-reports/index.html
3. Scallan, E., Grifn, P. M., Angulo, F. J., Tauxe, R. V. & Hoekstra, R. M. Foodborne illness acquired in the United States–unspecifed agents. Emerg. Infect. Dis. 17, 16–22 (2011).
4. Heiat, M., Ranjbar, R. & Alavian, S. M. Classical and modern approaches used for viral hepatitis diagnosis. Hepat. Mon. 14, e17632 (2014).
版权声明
本文转载自“智能药物设计与传感研究实验室”微信公众号,原标题“Nature food 机器学习支持的无损纸质显色传感器检测食物中的污染源”。转载仅用于学术分享,若有侵权,请后台留言联系删除!
原创文章,作者:ifyoung,如若转载,请注明出处:https://www.drugfoodai.com/food-ml-toxicity.html
注意:本站原创指的是原创编译,并不主张对所介绍的工作的版权,如有侵权,请联系删除!