Detection of antimicrobial resistance using surface-enhanced raman spectroscopy combined with machine learning algorithms
Makine öğrenmesi algoritmalarıyla birleştirilmiş yüzeyi zenginliştirilmiş raman spektroskopisi kullanılarak antimikrobiyal direnç tespit
- Tez No: 752400
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Biyoteknoloji, Biyomühendislik, Bilim ve Teknoloji, Biotechnology, Bioengineering, Science and Technology
- Anahtar Kelimeler: Antimikrobiyal etki, Derin öğrenme, Raman spektroskopisi, Staphylococcus aureus, Antimicrobial effect, Deep learning, Raman spectroscopy, Staphylococcus aureus
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Antimikrobiyal Direnç (AMR), dünya genelinde küresel sağlık tehditlerinden biri olmuştur. Vaka sayılarının azalması bakteriyel enfeksiyonun doğru bir şekilde belirlenmesini ve ardından uygun ilacın önerilmesini sağlayacak hızlı, güvenilir ve kullanımı kolay teknolojilere bağlıdır. Bu tez kapsamında, antimikrobiyal direnci yüksek doğrulukta tespit etmek ve tanımlamak için derin öğrenme ve makine öğrenimi ile birleştirilmiş Yüzeyde zenginleştirilmiş Raman Spektroskopisi (YZRS) kullanıldı. İlk olarak antimikrobiyal direnç ve duyarlılığın yaygın örnekleri olan metisiline dirençli Staphylococcus aureus (MRSA) ve metisiline duyarlı Staphylococcus aureus (MSSA) YZRS kullanılarak spektrumları toplanarak veri seti elde edildi ve buna ek olarak external olarak ikinci veri seti kullanıldı. İki veri setindeki iki grubu sınıflandırmak için U-Net ve VGG-16 olmak üzere iki derin öğrenme modeli ile altı geleneksel makine öğrenme algoritması uygulandı. U-Net, MRSA ve MSSA ayrımını yapmak için ilk olarak external veri seti üzerinde uygulandı ve aynı veri setini kullanan diğer modeller arasında %95 doğruluk değerine sahip bir sonuç verdi. U-Net ve VGG-16'dan oluşan derin öğrenme modelleri, özellik haritasını başarıyla çıkarabildi ve ardından AMR'yi başarılı bir şekilde sırasıyla %99,04 ± %0,003 ve %98,86 ± %0,01 doğrulukla sınıflandırabildi. Geleneksel makine öğrenme algoritmaları arasında rastgele orman (Random forest-RF) %97,16 ± 0,371doğruluk değeri ile en iyi performansa sahipti. Sonuç olarak bu çalışma YZRS ve yapay zeka arasındaki sinerjinin bakteriyel enfeksiyonların ve AMR'nin tanımlanmasındaki önemli role sahip olabileceğini ortaya koymasıyla birlikte çeşitli biyomedikal uygulamalar için kullanılabileceğine ve genişletilebileceğine inanılmaktadır.
Özet (Çeviri)
Antimicrobial resistance is a public health concern around the world. To combat antimicrobial resistance, it is critical to select the appropriate antibiotic by performing a rapidly bacterial diagnosis. The results of culture-based diagnosis are extremely accurate which makes them the gold standard approach for identifying bacteria and their susceptibility to antibiotics. However, culture-based tests take a long time, making them ineffective for bacterial identification. Thus, methods like the enzyme-linked immunosorbent assay (ELISA) and polymerase chain reaction (PCR) test have been developed to be faster and more accurate. Nevertheless, they can be high cost, contain complex sample preparation processes and require specially trained personnel. Raman spectroscopy and surface-enhanced Raman spectroscopy (SERS) provide detailed information about chemical structure and molecules interactions and they are considered fast and reliable ultrasensitive techniques for the accurate identification of biological systems in such complex samples as bacteria. SERS spectra for some samples, however, are intricate and reveal minor changes, such as bacterium samples and antibiotic-resistant bacteria. As a result, deep learning algorithms have recently been applied to spectrum analysis, including the examination of antibiotic-resistant spectra produced from SERS. In this study surface-enhanced Raman scattering technique combined with deep learning models will be used for the detection of antibiotic resistance of methicillin-resistant S. aureus (MRSA), and methicillin-sensitive S. aureus (MSSA) and also for distinguishing between the two types of bacteria as well.
Benzer Tezler
- Antibiyotik dirençli ve duyarlı bakterilerin yüzeyde zenginleştirilmiş raman spektroskopisi ve makine öğrenmesi teknikleri ile tespiti ve sınıflandırılması
Detection and classification of antibiotic resistant and susceptible bacteria by surface enhanced raman spectroscopy and machine learning techniques
FATMA UYSAL ÇİLOĞLU
- Investigating allosteric modulators for pathogenic enzymes using molecular docking and molecular dynamics simulations
Patojenik enzimler ıçin allosterik modülatörlerin moleküler yerleştirme ve moleküler dinamik simülasyonları kullanılarak araştırılması
MERVE YÜCE
- Biyosensör ve antibakteriyel özellik gösteren polimerlerin sentezi ve uygulaması
Synthesis and application of polymers for biosensor and antibacterial properties
NAİME CEREN SÜER
- Investigation of microbial population in hybrid biofilm nitrification systems
Hibrit biyofilm nitrifikasyon sistemlerinde mikrobiyal popülasyonun araştırılması
PEGAH BAHRAMIAN
Yüksek Lisans
İngilizce
2025
İstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Kan kültürlerinden izole edilen ve slime üretimi pozitif olan staphylococcus aureus kökenlerinde MIC ve MBEC yöntemleriyle antibiyotik duyarlılıklarının saptanması
Detection of antibiotic susceptibility of slime positive S.aureus strains isolated from blood cultures by using MIC and MBEC methods
BERRİN TANIDIR
Tıpta Uzmanlık
Türkçe
2008
Marmara ÜniversitesiMikrobiyoloji ve Klinik Mikrobiyoloji Ana Bilim Dalı
Yükleniyor...