本研究针对三种最具致病性的沙门氏菌血清型，使用拉曼光谱获取其光谱数据，选择适合解决多分类问题的卷积神经网络（CNN）对拉曼光谱数据进行深入挖掘和分析。比较了五种光谱预处理方法，Savitzky-Golay平滑（SG），多元散射校正（MSC），标准正态变量（SNV）和希尔伯特变换（HT）对CNN模型预测能力的影响。采用准确度（ACC）、精度、召回率和F1得分 4种机器学习评价指标来评估不同预处理方法下的模型性能。
近日，中国人民公安大学侦查学院姜红课题组采用拉曼光谱结合卷积神经网络实现了对沙门氏菌的快速鉴定。相关研究成果在2022年9月8日以题为“Rapid identification of salmonella serovars by using Raman spectroscopy and machine learning algorithm”发表在国际学术期刊Talanta（IF=6.556）上。中国人民公安大学硕士研究生孙家政为论文第一作者，姜红教授为论文通讯作者。
成果简介
食源性疾病是世界范围内一个普遍存在且日益严重的公共健康问题，而食源性沙门氏菌感染是人类最常见的患病原因之一。本研究针对三种最具致病性的沙门氏菌血清型，使用拉曼光谱获取其光谱数据，选择适合解决多分类问题的卷积神经网络（CNN）对拉曼光谱数据进行深入挖掘和分析。比较了五种光谱预处理方法，Savitzky-Golay平滑（SG），多元散射校正（MSC），标准正态变量（SNV）和希尔伯特变换（HT）对CNN模型预测能力的影响。采用准确度（ACC）、精度、召回率和F1得分 4种机器学习评价指标来评估不同预处理方法下的模型性能。结果表明，拉曼光谱与CNN模型结合使用，能在单细胞水平上快速鉴定三种沙门氏菌血清型。此外，该模型在区分不同血清型的病原菌和密切相关的细菌种类方面具有很大潜力。
研究亮点
•开发了一种快速有效地鉴定和检测沙门氏菌血清型的新方法。
•基于拉曼光谱的卷积神经网络预测模型被用于从真实样品中识别未知沙门氏菌血清型。
•比较卷积神经网络模型在5种光谱预处理方法下的预测能力。
•拉曼光谱与卷积神经网络模型相结合，在区分密切相关的细菌种类方面具有很大潜力。
图文赏析
图1. 针对激光波长优化的拉曼光谱的三维瀑布图(A)和曲面图(B)
图2. 基于拉曼光谱的沙门氏菌的CNN分析示意图
图3. 肠炎沙门氏菌、鼠伤寒沙门氏菌和德比沙门氏菌的平均拉曼光谱
图4. 三种沙门氏菌血清型的原始光谱和处理后的光谱
图5. （A）CNN模型训练集的识别精度；（B）CNN模型训练集的损失率；（C）CNN模型测试集的识别精度（D）CNN模型的测试集的损失率
图6. 测试集中机器学习的四个评估指标
图7. 不同预处理条件下CNN模型的混淆矩阵
研究结论
本研究评估了五种光谱预处理方法下CNN模型的预测能力，并得出结论，SG结合SNV是利用拉曼光谱预测沙门氏菌血清型的最准确的光谱预处理方法，在CNN模型中训练集的准确率达到98.7%，测试集的准确率超过98.5%。使用这种方法预处理光谱数据比其他方法具有更高的准确率。该研究进一步丰富了沙门氏菌血清型的拉曼光谱数据库。拉曼光谱结合机器学习算法在鉴定致病菌血清型方面的巨大潜力，这对于临床快速诊断食源性疾病以及预防食源性疾病至关重要。
原文连接
https://doi.org/10.1016/j.talanta.2022.123807
通讯作者简介
姜红，中国人民公安大学侦查学院教授、硕士生导师。主要从事理化检验的教学和科研工作。主持和参加完成各级科研项目30余项，发表核心期刊论文100余篇，其中SCI和EI收录多篇。出版《鞋底材料物证检验》、《香烟物证检验》等4部学术著作。主编教材2部，参编教材10余部，参编教材《刑事科学技术》获北京市精品教材奖。参加的公安部科研项目有两项获得公安部科技进步三等奖。2021、2022连续两年被学校评为“亲家数科奖教金”科研名师。
原创文章，作者：FoodAI01，如若转载，请注明出处：https://www.drugfoodai.com/ml-salmonella.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！
微信扫一扫 
支付宝扫一扫 相关推荐
-
基于多种智能传感技术的数据融合策略及其在金华火腿品质评价中的应用
该研究针对多种智能感知技术，包括电子鼻、电子舌和计算机视觉的模式识别，提出了一种新的距离-概率分类（distance-probability classification，DPC）方法，并应用于不同老化时间下金华干腌火腿的分类评价，准确率可达到100%。同时进一步利用融合数据，建立了反向传播神经网络(BPNN)模型来预测老化时间并同时预测12种感官属性。BPNN模型在预测老化时间(R2 > 0.972)和感官属性(R2 > 0.935)方面表现出令人满意的性能。
-
肠道菌群分析和机器学习算法揭示精准营养在干预代谢综合征中的作用
2021年7月30日，介绍一篇由中国科学院上海营养与健康研究所陈雁研究组和林旭研究组在国际学术期刊Molecular Nutrition & Food Research发表的研究论文。该文揭示了肠道菌群在指导精准营养干预改善代谢综合征中的重要作用。
-
基于多元素筛选的化学计量学和创新多维数据分析的意大利牛肝菌产地溯源
“食品原产地认证”和“食品欺诈”一直以来都是令人感兴趣的话题。今天介绍一篇由Antonio Francesco Mottese等人发表于Food Control 的文章。该研究基于来自意大利、中国和波兰采集的牛肝菌样品的元素特征，结合主成分分析(PCA)、逐步典型判别分析(stepwise-CDA)、分类回归树(CART)、偏最小二乘判别分析(PLS-DA)和创新多维分析(MDA)建立统计模型，通过标准化学计量学技术和创新化学计量学技术的结合为预测食用牛肝菌(Boletussect.Boletus)的地理来源建立了一套可靠的系统。
-
混合计算智能算法及其在食品质量检测中的应用
今天介绍一篇由Lavika Goel等人近期发表在Artificial Intelligence Review上的论文。作者介绍了各种用于发现食物变质的图像分割技术，并开发了新颖的混合算法并进行了验证和比较，最后展望了今后的应用场景。
-
使用可解释人工智能（XAI）技术解开送餐服务评论的深度学习模型
今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心（CAMGIS）的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务（FDS）领域中的简单和混合深度学习（DL）技术（LSTM、Bi-LSTM、Bi-GRU-LSTM CNN）进行了情绪分析，并使用SHapley Additive exPlanations（SHAP）和Local Interpretable Model-Agnostic Explanations（LIME）解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明，LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能（XAI）技术，如SHAP和LIME，揭示了用于验证模型的单词对积极和消极情绪的特征贡献。
-
中国科学院上海技术物理研究所万雄课题组：基于β-胡萝卜素拉曼光谱定量检测的橄榄油鉴别
采用激光共聚焦拉曼技术与基于DFT的拉曼光谱相结合，准确分析了植物油的成分，并识别出低成本的仿制橄榄油。
-
HyperFoods：基于机器学习智能绘制食物中抗癌分子的图谱
今天给大家介绍一篇由Kirill Veselkov、Guadalupe Gonzalez等人合作，于前段时间发表在Scientific report的一篇文章。文章中作者介绍了一个独特的基于网络的机器学习平台HyperFoods，以识别推定的基于食物的抗癌分子。
-
智能食品加工：从人工神经网络到深度学习的旅程(二)
在第一部分的介绍当中，大家已经对智能食品加工中的人工神经网络的类型有了相对全面的了解。今天给大家带来题为《智能食品加工：从人工神经网络到深度学习的旅程》综述的第二部分介绍：基于人工神经网络（ANN）的智能食品加工。
-
计算机分析啤酒花衍生苦味化合物及其同源苦味受体
今天给大家介绍一篇由Andreas Dunkel等人合作，于前段时间发表在Journal of Agricultural and Food Chemistry上的一篇文章，文章中作者介绍了一个基于计算机的方法来研究啤酒花衍生苦味化合物及其同源苦味受体。
-
李培武院士团队张兆威：通过Z型Cu2O/Cu3SnS4的智能手机驱动的光电化学POCT，用于检测邻苯二甲酸二丁酯
今天介绍一篇由中国农业科学科院油料作物研究所李培武院士团队于2023年8月发表在国际学术期刊Journal of Hazardous Materials（IF=13.6）上的题为“A smartphone-powered photoelectrochemical POCT via Z-scheme Cu2O / Cu3SnS4 for dibutyl phthalate in the environmental and food”的文章。中国农业科学院油料作物研究所张兆威研究员为论文通讯作者。
