CN109884160A - 采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法 - Google Patents
采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法 Download PDFInfo
- Publication number
- CN109884160A CN109884160A CN201910142255.4A CN201910142255A CN109884160A CN 109884160 A CN109884160 A CN 109884160A CN 201910142255 A CN201910142255 A CN 201910142255A CN 109884160 A CN109884160 A CN 109884160A
- Authority
- CN
- China
- Prior art keywords
- sample
- carbapenem
- resistant
- identification
- paracolon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法,包括以下步骤:a、采集大肠杆菌;b、提取大肠杆菌中代谢物和多肽;c、Orbitrap‑MS分析检测;d、Orbitrap‑MS数据处理分析;e、使用R语言软件和自己编写的程序对数据进行模式识别分析。利用R语言软件强大的统计能力处理从高分辨率Orbitrap‑MS中获得的大量数据,对耐碳青霉烯类药物的大肠杆菌菌株和敏感的大肠杆菌菌株的质谱数据展开模式识别分析,实现对耐碳青霉烯类的大肠杆菌菌株和敏感的大肠杆菌菌株的快速、准确的识别。同时,找出在统计学上具有显著性差异的化合物,为研究耐碳青霉烯类的大肠杆菌菌株和敏感的大肠杆菌菌株的差异及阐明大肠杆菌耐药机制提供理论基础。
Description
技术领域
本发明涉及医药工程技术领域,特别是涉及采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法。
背景技术
肠杆菌科细菌是临床上常见的致病菌,主要包括大肠杆菌、肺炎克雷伯菌等。目前,临床上使用的亚胺培南等碳青霉烯类抗生素被认为是治疗该耐药菌最有效的抗菌药物,也被认为是治疗的最终方法。但是随着此类抗生素的使用,碳青霉烯类抗生素耐药肠杆菌科细菌不断出现,极大的限制了此类抗生素的使用。其中,耐碳青霉烯类抗生素的大肠杆菌耐药率也已经由早年的零上升到1%,致使临床治疗面临巨大困难。
耐碳青霉烯类药物的大肠杆菌鉴定的方法主要包括革兰氏染色、生化和血清学方法,这些方法对于细菌耐药性的鉴定仍然必不可少,但是都存在分析周期较长、难以自动化,提供的信息较少及难以满足鉴定的要求等缺点。近些年,质谱技术是目前发展较快的一种化学分析技术,已经发展为高灵敏度、高通量和高准确性的技术,样品处理简单、快速,并且能提供复杂样品中各组分的分子量信息,正在成为系统细菌学研究人员的新工具。电喷雾-静电场轨道阱质谱(ESI-Orbitrap-MS)因其具有足够高的分辨率(1500Da时分辨率在10万以上),可以促进复杂体系中有机质的更加精确和全面的分析。同时,电喷雾离子源(ESI)更适用于分析中高等极性的化合物,主要产生单电荷离子,分析的化合物分子量一般小于1500Da。相对于普通质谱仪器,高分辨质谱能获得大量的分析数据。但是,如何从大量的Orbitrap-MS数据中高效、深入地获取复杂体系组成和分子结构信息面临巨大的挑战。
模式识别方法结合质谱技术,使快速发展的计算机技术为解决数据的信息学问题带来了契机。通过模式识别方法,科研工作者可以快速、准确、最大限度地获取分析样品的各种信息。模式识别是通过计算机运用统计学方法对各类渠道所获得的海量数据进行处理,从看似杂乱无章的数据中提炼出有用的信息部分,建立识别模型。模式识别主要是对数据进行分类加工,包括特征选择、特征提取和数据维数压缩来决定事物的类别,进而制定识别标准。模式识别在化学相关学科中的应用主要在病历数据分析、医疗诊断、生物分类、药物和生物活性物质的构效关系及药物设计、质量控制和生产管理等。模式识别常用的方法主要是多变量统计算法,包括非监督型多变量统计、主要是主成分分析(PCA)和聚类分析(HCA)等。监督型多变量统计、主要是偏最小二乘法判别分析(PLS-DA)和人工神经网络(ANN)等方法被广泛应用于鉴别各个类型的样本。单变量统计如t检验和倍率变化能对单个变量进行检验,判断其在统计学上是否有显著性差异。
发明内容
为了克服上述现有技术的不足,本发明提供了采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法。
本发明所采用的技术方案是:采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法,包括以下步骤:
a、采集大肠杆菌:按照要求,规范采集患者的细菌样本,采集后立即于-80℃冷冻保存;
b、提取大肠杆菌中代谢物和多肽:取-80℃保存的菌株,用枪头进行划线,并放入生化培养箱中,孵育过夜,将培养皿中的菌体完全移入到EP管中,并向EP管中加入PBS洗涤液,用涡旋混合仪使其混合均匀,放入冷冻离心机中离心,弃上清液,重复上述实验2次;将洗涤好的菌体放入-20℃保存,并加入尿素,混合后破碎菌体,离心,取上清;向上清液中加入丙酮,置于-20℃,沉淀过夜;取沉淀完全的样品,离心,EP管中的上清液,即为大肠杆菌代谢物样品,沉淀即为大肠杆菌蛋白质样品;
加碳酸氢铵和尿素于蛋白质样品中,溶解蛋白,离心,取上清,用BCA法测蛋白浓度。取蛋白,加入(三(2-羧乙基)膦盐酸盐)TCEP,EP管用封口膜封紧,95℃金属浴放置5min,取出后降温至室温;用碳酸氢铵稀释10倍,加入胰蛋白酶,37℃生化培养箱中孵育过夜;向已经酶解的蛋白样品中加入甲酸,使其pH为3左右,终止酶解,-20℃保存,待Orbitrap-MS检测;每株大肠杆菌均设置3个生物学重复;
c、Orbitrap-MS分析检测:检测前要先用仪器校正液对仪器进行校正,取代谢物用ACN:H2O=1:1的0.1%的甲酸混合溶剂稀释,用进样针进样检测,其余的代谢物均用相同的方法进行处理;多肽样品检测时,仪器校正同代谢物样品一样,然后取多肽样品用ACN:H2O=9:1的0.1%的甲酸混合溶剂稀释,用进样针进样检测,其余的多肽样品均用相同的方法进行处理;
d、Orbitrap-MS数据处理分析:在分析前将24个多肽和24个代谢物经过筛选后得到的数据汇总在一个合并表内,并使用Excel对数据进行预处理,合并和筛选;
e、使用R语言软件和自己编写的程序对数据进行模式识别分析。
进一步地,上述步骤a中采集的细菌的编号分别为:耐碳青霉烯类大肠杆菌编号为R1,R2,R3,R4,敏感大肠杆菌编号为S1,S2,S3,S4。
进一步地,上述步骤d中采用“80%规则”对数据进行筛选,删除缺失值过多的变量,删除在所有组别中(如耐药组和敏感组)中出现频率都小于80%的离子。
进一步地,上述步骤c中24个代谢物和24个多肽均在96h内检测完毕。
与现有技术相比,本发明的有益效果是:
(1)运用Orbitrap-MS的高分辨率和高灵敏度的特点,从分子层面更精确地研究碳青霉烯类大肠杆菌耐药菌株与敏感菌株之间的差异。
(2)通过评估比较建立的不同的模式识别模型,OPLS-DA能实现对碳青霉烯类大肠杆菌耐药菌株和敏感菌株的快速准确鉴定。
(3)根据单变量统计筛选出的在统计学上有显著差异化合物,为阐明大肠杆菌耐药机制提供了理论基础。
附图说明
图1为本发明采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法的流程图。
具体实施方式
为了加深对本发明的理解,下面结合附图和实施例对本发明进一步说明,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
如图1所示,采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法,包括以下步骤:
1)大肠杆菌的来源:
所有细菌样本均按照要求,依据规范、合理的操作流程采集提供,采集后立即于-80℃冷冻保存。细菌的编号分别为:耐碳青霉烯类大肠杆菌编号为R1,R2,R3,R4,敏感大肠杆菌编号为S1,S2,S3,S4。
2)试剂与仪器
主要试剂与药品
主要仪器与设备
3)大肠杆菌中代谢物和多肽的提取步骤(Experimental Pr℃edure)
碳青霉烯类大肠杆菌的耐药菌株和敏感菌株均取自徐州医科大学附属医院检验科。取-80℃保存的菌株,用枪头进行划线。首先,将枪头用酒精灯烧成圆球状,蘸取菌落,将其接种于血琼脂平板培养皿上,划线,放入37℃生化培养箱中,孵育过夜。取出已经复苏的细菌,将枪头烧成圆球状,轻轻刮取培养皿中的菌体,置于加有少量PBS洗涤液的EP管中,重复上述操作,直至培养皿中的菌体尽可能完全移入到EP管中。向放有菌体的EP管中加入PBS洗涤液,用涡旋混合仪使其混合均匀,放入冷冻离心机中,6000rmp,10min,4℃,离心,弃上清液。重复上述实验2次。将洗涤好的菌体放入-20℃保存。取-20℃保存的菌体,加入100μL8M尿素,用涡旋混合仪混合均匀。然后,放入超声波细胞粉碎机(80W,10S,10S,10次)破碎菌体。破碎完全的菌体放入冷冻离心机,离心,15000rmp,20min,4℃,取上清。然后,向上清液中按1:4体积比加入400μL丙酮,轻轻震荡,-20℃,沉淀过夜。取沉淀完全的样品,离心,6000rmp,5min,4℃,取上清于心的EP管中,即为大肠杆菌代谢物样品,沉淀即为大肠杆菌蛋白质样品。代谢物置于-20℃保存,待Orbitrap-MS检测。
加400μL 50mmol碳酸氢铵和100mL8M尿素于蛋白质样品中,溶解蛋白,5min,10000rmp,4℃离心,取上清。用BCA法测蛋白浓度。取100μg蛋白,加20μL 0.1mol/L(三(2-羧乙基)膦盐酸盐)TCEP,40μL 0.1mol/L 2-Chloroacetamide,EP管用封口膜封紧,95℃金属浴放置5min,取出后降温至室温。用50mmol碳酸氢铵稀释10倍,加入5μL 1μg/μL胰蛋白酶,对蛋白质进行酶解,37℃生化培养箱中孵育过夜。向已经酶解的蛋白样品中加入甲酸,使其pH为3左右,终止酶解,-20℃保存,待Orbitrap-MS检测。每株大肠杆菌均设置3个生物学重复。
4)Orbitrap-MS分析检测(Instrumental Analysis)
代谢物和多肽检测采用美国ThermoFisher公司生产的Q-Exactive Orbitrap-MS进行分析。24个代谢物和24个多肽均在96h内检测完毕。检测前要先用仪器校正液对仪器进行校正,以保证质量轴的精确度。然后,取5μL代谢物用ACN:H2O=1:1的0.1%的甲酸混合溶剂稀释至500μL,用进样针进样检测,其余的代谢物均用相同的方法进行处理。多肽样品检测时,仪器校正同代谢物样品一样,然后取5μL多肽样品用ACN:H2O=9:1的0.1%的甲酸混合溶剂稀释至500μL,用进样针进样检测,其余的多肽样品均用相同的方法进行处理。
5)Orbitrap-MS数据处理分析
对Orbitrap-MS分析得到的数据,使用Thermo Xcalibur Roadmap Software DataAnalysis 3.0软件进行解析。24个多肽和24个代谢物经过筛选后得到的数据在分析前需要汇总在一个合并表内,数据预处理过程可以通过使用Excel Visual Basic forApplications(VBA)功能快速实现。数据合并后再次使用Excel Visual Basic forApplications(VBA)功能对数据进行筛选。此次筛选是利用在组学分析中比较常用的方法,“80%规则”进行删除缺失值过多的变量。“80%规则”是指删除在所有组别中(如耐药组和敏感组)中出现频率都小于80%的离子。
6)使用R语言软件和自己编写的程序对数据进行模式识别分析。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (4)
1.采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法,其特征在于,包括以下步骤:
a、采集大肠杆菌:按照要求,规范采集患者的细菌样本,采集后立即于-80℃冷冻保存;
b、提取大肠杆菌中代谢物和多肽:取-80℃保存的菌株,用枪头进行划线,并放入生化培养箱中,孵育过夜,将培养皿中的菌体完全移入到EP管中,并向EP管中加入PBS洗涤液,用涡旋混合仪使其混合均匀,放入冷冻离心机中离心,弃上清液,重复上述实验2次;将洗涤好的菌体放入-20℃保存,并加入尿素,混合后破碎菌体,离心,取上清;向上清液中加入丙酮,置于-20℃,沉淀过夜;取沉淀完全的样品,离心,EP管中的上清液,即为大肠杆菌代谢物样品,沉淀即为大肠杆菌蛋白质样品;
加碳酸氢铵和尿素于蛋白质样品中,溶解蛋白,离心,取上清,用BCA法测蛋白浓度。取蛋白,加入(三(2-羧乙基)膦盐酸盐)TCEP,EP管用封口膜封紧,95℃金属浴放置5min,取出后降温至室温;用碳酸氢铵稀释10倍,加入胰蛋白酶,37℃生化培养箱中孵育过夜;向已经酶解的蛋白样品中加入甲酸,使其pH为3左右,终止酶解,-20℃保存,待Orbitrap-MS检测;每株大肠杆菌均设置3个生物学重复;
c、Orbitrap-MS分析检测:检测前要先用仪器校正液对仪器进行校正,取代谢物用ACN:H2O=1:1的0.1%的甲酸混合溶剂稀释,用进样针进样检测,其余的代谢物均用相同的方法进行处理;多肽样品检测时,仪器校正同代谢物样品一样,然后取多肽样品用ACN:H2O=9:1的0.1%的甲酸混合溶剂稀释,用进样针进样检测,其余的多肽样品均用相同的方法进行处理;
d、Orbitrap-MS数据处理分析:在分析前将24个多肽和24个代谢物经过筛选后得到的数据汇总在一个合并表内,并使用Excel对数据进行预处理,合并和筛选;
e、使用R语言软件和自己编写的程序对数据进行模式识别分析。
2.根据权利要求1所述的识别耐碳青霉烯类大肠杆菌的方法,其特征在于:上述步骤a中采集的细菌的编号分别为:耐碳青霉烯类大肠杆菌编号为R1,R2,R3,R4,敏感大肠杆菌编号为S1,S2,S3,S4。
3.根据权利要求1所述的识别耐碳青霉烯类大肠杆菌的方法,其特征在于:上述步骤d中采用“80%规则”对数据进行筛选,删除缺失值过多的变量,删除在所有组别中(如耐药组和敏感组)中出现频率都小于80%的离子。
4.根据权利要求1所述的识别耐碳青霉烯类大肠杆菌的方法,其特征在于:上述步骤c中24个代谢物和24个多肽均在96h内检测完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142255.4A CN109884160A (zh) | 2019-02-26 | 2019-02-26 | 采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142255.4A CN109884160A (zh) | 2019-02-26 | 2019-02-26 | 采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109884160A true CN109884160A (zh) | 2019-06-14 |
Family
ID=66929475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142255.4A Pending CN109884160A (zh) | 2019-02-26 | 2019-02-26 | 采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109884160A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102656276A (zh) * | 2009-10-15 | 2012-09-05 | 生物梅里埃公司 | 通过质谱分析的手段鉴定至少一种微生物的方法 |
CN103245716A (zh) * | 2013-05-23 | 2013-08-14 | 中国科学院化学研究所 | 基于小分子代谢物质谱分析的快速高灵敏度微生物鉴定方法 |
CN106324071A (zh) * | 2015-12-31 | 2017-01-11 | 中国疾病预防控制中心传染病预防控制所 | 细菌耐药蛋白ArmA的定性、定量检测方法 |
CN108593753A (zh) * | 2016-11-25 | 2018-09-28 | 北京毅新博创生物科技有限公司 | 通过内部标准物质谱检测微生物的方法及其产品 |
CN108709939A (zh) * | 2018-05-21 | 2018-10-26 | 杭州璞湃科技有限公司 | 一种用于检测牛乳品中A2β-酪蛋白含量的特征肽及方法 |
-
2019
- 2019-02-26 CN CN201910142255.4A patent/CN109884160A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102656276A (zh) * | 2009-10-15 | 2012-09-05 | 生物梅里埃公司 | 通过质谱分析的手段鉴定至少一种微生物的方法 |
CN103245716A (zh) * | 2013-05-23 | 2013-08-14 | 中国科学院化学研究所 | 基于小分子代谢物质谱分析的快速高灵敏度微生物鉴定方法 |
CN106324071A (zh) * | 2015-12-31 | 2017-01-11 | 中国疾病预防控制中心传染病预防控制所 | 细菌耐药蛋白ArmA的定性、定量检测方法 |
CN108593753A (zh) * | 2016-11-25 | 2018-09-28 | 北京毅新博创生物科技有限公司 | 通过内部标准物质谱检测微生物的方法及其产品 |
CN108709939A (zh) * | 2018-05-21 | 2018-10-26 | 杭州璞湃科技有限公司 | 一种用于检测牛乳品中A2β-酪蛋白含量的特征肽及方法 |
Non-Patent Citations (5)
Title |
---|
FRANCO BASILE 等: "Simultaneous Multiple Substrate Tag Detectionwith ESI-Ion Trap MS for In Vivo Bacterial Enzyme Activity Profiling", 《ANALYTICAL CHEMISTRY》 * |
张双庆 等: "《毒代动力学》", 30 September 2014, 电子科技大学出版社 * |
葛秀村 等: "《生物工程专业教学指导》", 30 September 2007, 山东大学出版社 * |
袁榴娣 等: "《生物化学实验指导》", 31 August 2014, 东南大学出版社 * |
雷鸣 等: "《国家蛋白质科学研究(上海)设施的设计与研制》", 31 December 2018, 上海科学技术出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Identification of antimicrobial peptides from the human gut microbiome using deep learning | |
DE60116882T2 (de) | Fourier-transformation-massenspektrometrie von komplizierten biologischen proben | |
US20240052395A1 (en) | Antimicrobial susceptibility testing with large-volume light scattering imaging and deep learning video microscopy | |
CN108804875B (zh) | 一种利用宏基因组数据分析微生物群体功能的方法 | |
US11708596B2 (en) | Analyzing and using motility kinematics of microorganisms | |
US7546210B2 (en) | Visual-servoing optical microscopy | |
US20110216953A1 (en) | Visual-servoing optical microscopy | |
AU7253596A (en) | Biologically-active polymers | |
EP2325294B1 (en) | Visual-servoing optical microscopy | |
Heins et al. | Advances in automated real‐time flow cytometry for monitoring of bioreactor processes | |
AU2001266748A1 (en) | Visual-servoing optical microscopy | |
CN109884160A (zh) | 采用模式识别技术识别耐碳青霉烯类大肠杆菌的方法 | |
CN110277139B (zh) | 一种基于互联网的微生物限度检查系统及方法 | |
Kamimura et al. | Mining of biological data I: identifying discriminating features via mean hypothesis testing | |
Wang et al. | Metabolomic differences between viable but nonculturable and recovered lacticaseibacillus paracasei zhang | |
CN114913964A (zh) | 一种检验标本的数字孪生系统与方法 | |
CN103698425B (zh) | 一种化学降解法获得及检测生物来源糖胺聚糖二糖的方法 | |
CN113505816B (zh) | 一种基于金纳米粒子和机器学习算法的微生物鉴定方法 | |
US20230399689A1 (en) | Systems and methods for integration of microbial sequencing with growth recipes | |
Xia et al. | CellMirror: deciphering cell populations from spatial transcriptomics data by interpretable contrastive learning | |
US20210002689A1 (en) | Method for detecting different properties in a microorganism population by optically induced dielectrophoretic force | |
CN205662516U (zh) | 一种生化培养监测容器 | |
Kim et al. | A practical handbook on single-cell RNA sequencing data quality control and downstream analysis | |
Nitz et al. | Are We There Yet? Assessing the Readiness of Single-Cell Proteomics to Answer Biological Hypotheses | |
CN116758998A (zh) | 一种用于基因治疗产品的pk分析测试方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |