KR20200100790A - 박테리아의 그램 타입을 식별하는 방법 및 시스템 - Google Patents
박테리아의 그램 타입을 식별하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20200100790A KR20200100790A KR1020207021133A KR20207021133A KR20200100790A KR 20200100790 A KR20200100790 A KR 20200100790A KR 1020207021133 A KR1020207021133 A KR 1020207021133A KR 20207021133 A KR20207021133 A KR 20207021133A KR 20200100790 A KR20200100790 A KR 20200100790A
- Authority
- KR
- South Korea
- Prior art keywords
- gram
- luminosity
- classification
- bacterial strain
- negative
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 241000894006 Bacteria Species 0.000 title claims abstract description 56
- 230000001580 bacterial effect Effects 0.000 claims abstract description 118
- 230000004044 response Effects 0.000 claims abstract description 7
- 239000002609 medium Substances 0.000 claims description 40
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 33
- 229920001817 Agar Polymers 0.000 claims description 18
- 239000008272 agar Substances 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 235000015097 nutrients Nutrition 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 14
- 230000003115 biocidal effect Effects 0.000 claims description 13
- 239000003242 anti bacterial agent Substances 0.000 claims description 11
- 239000001963 growth medium Substances 0.000 claims description 10
- 229940088710 antibiotic agent Drugs 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 9
- 238000012258 culturing Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 238000012009 microbiological test Methods 0.000 claims description 2
- 241000192125 Firmicutes Species 0.000 claims 1
- 241001494479 Pecora Species 0.000 claims 1
- 239000006161 blood agar Substances 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 52
- 244000005700 microbiome Species 0.000 description 27
- 238000012545 processing Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 241000894007 species Species 0.000 description 12
- 238000012937 correction Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 238000013048 microbiological method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000010186 staining Methods 0.000 description 5
- 230000007935 neutral effect Effects 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 241000607142 Salmonella Species 0.000 description 3
- 239000004599 antimicrobial Substances 0.000 description 3
- 239000012472 biological sample Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 239000000975 dye Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000001840 matrix-assisted laser desorption--ionisation time-of-flight mass spectrometry Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241000589291 Acinetobacter Species 0.000 description 2
- MSFSPUZXLOGKHJ-UHFFFAOYSA-N Muraminsaeure Natural products OC(=O)C(C)OC1C(N)C(O)OC(CO)C1O MSFSPUZXLOGKHJ-UHFFFAOYSA-N 0.000 description 2
- 108010013639 Peptidoglycan Proteins 0.000 description 2
- 241000589516 Pseudomonas Species 0.000 description 2
- 241000589517 Pseudomonas aeruginosa Species 0.000 description 2
- 244000181917 Rubus leucodermis Species 0.000 description 2
- 235000011036 Rubus leucodermis Nutrition 0.000 description 2
- 235000003942 Rubus occidentalis Nutrition 0.000 description 2
- UYXTWWCETRIEDR-UHFFFAOYSA-N Tributyrin Chemical compound CCCC(=O)OCC(OC(=O)CCC)COC(=O)CCC UYXTWWCETRIEDR-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000009635 antibiotic susceptibility testing Methods 0.000 description 2
- 238000003705 background correction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 239000003593 chromogenic compound Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000411 transmission spectrum Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 description 1
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 108090000371 Esterases Proteins 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 238000003794 Gram staining Methods 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 102100040160 Rabankyrin-5 Human genes 0.000 description 1
- 101710086049 Rabankyrin-5 Proteins 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007330 chocolate agar Substances 0.000 description 1
- 230000001332 colony forming effect Effects 0.000 description 1
- 239000003283 colorimetric indicator Substances 0.000 description 1
- 239000007382 columbia agar Substances 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 229910001448 ferrous ion Inorganic materials 0.000 description 1
- 235000019253 formic acid Nutrition 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000002816 microbial assay Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000012543 microbiological analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 239000007793 ph indicator Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- DHCDFWKWKRSZHF-UHFFFAOYSA-N sulfurothioic S-acid Chemical compound OS(O)(=O)=S DHCDFWKWKRSZHF-UHFFFAOYSA-N 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- JLYXXMFPNIAWKQ-UHFFFAOYSA-N γ Benzene hexachloride Chemical compound ClC1C(Cl)C(Cl)C(Cl)C(Cl)C1Cl JLYXXMFPNIAWKQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
-
- G01N2015/0065—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Pathology (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Toxicology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Dispersion Chemistry (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Abstract
본 발명은 박테리아 균주의 그램 타입 및 발효성 특성을 검출하는 방법에 관한 것으로, 이 방법은: 파장 범위 390 ㎚ 내지 900 ㎚에서, 자연적인 전자기 반응을 갖는 균주의 적어도 하나의 박테리아를 상기 파장 범위에서 조사하는 단계; 상기 파장 범위에서, 상기 조사된 박테리아로부터 반사되거나 투과된 광도를 획득하는 단계; 상기 파장 범위에서 획득된 광도의 함수로서 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 단계;를 포함한다.
Description
본 발명은 미생물학적 분석 분야, 특히 미생물의 특정, 특히 효모와 박테리아의 동정 및 효모와 박테리아의 체계 내에서의 이들의 그램 타입 및 이들의 발효성 또는 비-발효성 특성의 동정에 관한 것이다.
유리하게는, 본 발명은 비-발색성(non-chromogenic), 비-형광성(non-fluorogenic) 그리고 무-염료 영양 배지(dye-free nutrient medium)에서 성장된 박테리아 또는 효모 콜로니의 초스펙트럼(hyperspectral) 또는 다스펙트럼(multispectral) 영상의 분석에 적용된다.
병원성 미생물 분야에서, 어느 미생물의 특정은 바람직하게는 이러한 미생물로 감염된 환자에 대한 치료를 결정하기 위하여 그의 종 및 그의 항미생물제에 대한 민감성(또는 "항생제 민감성(antibiogram)")을 동정하는 것으로 이루어진다. 이를 수행하기 위하여는, 그의 계(kingdom; 예를 들어 효모 또는 박테리아) 및 박테리아인 정황에서 그의 그램 타입(Gram type) 또는 그의 발효성 또는 비-발효성 특성을 포함하여 미생물의 다른 특성들의 사전 지식을 필요로 하는 복잡한 미생물학적 방법이 통상적으로 실험실에서 수행된다. 사실, 이러한 정보는 궁극적으로 배양 배지 또는 그의 종 또는 그의 항생제 민감성을 결정하기 위하여 미생물에 적용되는 항미생물제의 타입을 선택하는 것을 가능하게 한다. 예를 들어, 본 출원인에 의하여 시판된 API® 미생물 동정 갤러리(API® microorganism identification gallery)의 선택이 미생물의 계(예를 들어 효모 대 박테리아) 또는 동정되어야 할 박테리아 균주의 그램 타입의 지식에 기초하고 있다. 유사하게, 본 출원인에 의해 시판된 Vitek® 2 시스템에 의한 박테리아 균주의 항생제 민감성의 결정은 상기 균주의 그램 타입 및 발효성 또는 비-발효성 특성에 따른 카드의 선택에 기초하고 있다. 동정되어야 할 미생물이 효모인지 또는 박테리아인지에 따라 서로 다른 매트릭스(matrix)를 사용하는 MALDI-TOF 질량분석법(MALDI-TOF mass spectrometry)에 의한 동정을 언급하는 것 또한 가능하다. 가능한 한 빨리 이러한 정보를 아는 것이 특히 방법의 가속 또는 사용되는 소모품들의 수를 감소시키는 것에 의하여 미생물학적 방법의 최적화하는 것을 가능하게 한다.
이들 특성들의 지식은 또한 박테리아 균주들의 위양성 동정(false positive identification)을 감소시키는 데 도움을 준다. 한 예로서, 본 출원인에 의하여 시판된 ChomID® Elite Medium의 정황에서, 시험된 박테리아 균주의 발효성 특성의 지식은 살모넬라(salmonella)의 동정을 강화한다. 특히, 발효성 박테리아인 살모넬라 및 비-발효성 박테리아인 슈도모나스(Pseudomonas) 둘 다는 발색성 서브스트레이트(chromogenic substrate)가 부패되도록 하는 원인이 된다. 박테리아가 비-발효성인지 여부를 아는 것은 별도의 미생물학적 시험 없이도 살모넬라를 간단하게 배제하는 것을 가능하게 한다.
실험실에서의 미생물학적 방법을 가이드하기 위한 미생물의 특정에 더하여, 이러한 정보는 또한 임상적인 유용성을 갖는다. 특히, 박테리아 균주의 그램 분류(Gram classification)는 박테리아의 벽, 예를 들어 그의 펩티도글리칸(peptidoglycan)의 백분율을 특정하는 것을 가능하게 하고, 그리고 박테리아의 분류학에서 또는 항생제들에 대한 이들의 민감성의 1차 근사값(first approximation)으로서 평가하기 위하여 사용된다. 두 가지 타입의 박테리아, 즉 그램-"양성"(Gram-"positive") 및 그램-"음성"(Gram-"negative") 박테리아가 있다. 유사하게, 비-발효성 박테리아, 즉 글루코스를 분해대사(catabolize)할 수 없는 박테리아가 병원성 박테리아에서 특별한 위치를 차지한다는 것이 관찰되었다. 사실, 이들은 항생제에 대하여 높은 수준의 자연 내성(natural resistance)을 갖고 그리고 많은 병원내 감염(nosocomial infections)에 관여하고 있다. 예들에는 녹농균(Pseudomonas aeruginosa) 및 아시네토박터(Acinetobacter)가 포함된다. 따라서 박테리아의 발효성 또는 비-발효성 속성을 신속하게 아는 것이 제1선 항생제 치료가 보다 더 효과적이고 그리고 다제 내성 균주들(multidrug resistant strains)의 확산을 늦추는 것을 가능하게 한다.
역사적으로, 상기 언급된 특성들 각각(계, 그램 및 발효성)은 전용의 기술(dedicated technique)로 수득되었다. 예를 들어, 박테리아 균주의 그램 타입은 "그램 염색(Gram staining)"이라 불리우는 수작업 기술에 의해 결정되었으며, 이는 다수의 수작업 단계들(고정, 염색, 매염제의 적용, 세척, 과-염색(over-staining)...)을 포함하고 따라서 실행하는 데 시간이 많이 걸린다. 따라서 박테리아의 그램 타입의 결정을 자동화하고, 특히 다수의 샘플들을 처리하기 위하여 여러 기술들이 개발되었다. 그러나, 이들 기술들은 필수적으로 박테리아의 전자기 반응 또는 이들의 그램 타입을 용이하게 관찰할 수 있도록 환경을 지속적으로 변경하고 있다. 특히, 첫 번째 형태의 기술은 현미경 슬라이드 상에의 박테리아 멤브레인의 염색을 자동화하는 것으로 이루어지나, 그러나 그램 타입의 최종 결정은 항상 현미경 하에서 슬라이드를 관찰하는 기술자에 의하여 이루어진다. 따라서 이러한 형태의 기술은 완전히 자동화되지 않았고, 그리고 더욱이 자동화하기 어렵다. 사실, 그램-양성 및 그램-음성 박테리아 간의 색상에서의 차이는 미묘할 수 있고, 이는 왜 실험실 기술자의 개입이 여전히 요구되는 지를 설명한다. 두 번째 형태의 기술은 박테리아의 멤브레인의 펩티도글리칸에 의해 개시되는 효소 반응에 의해 분해되는 서브스트레이트의 존재 중에 박테리아를 투입하는 것으로 이루어진다. 이 반응은 그의 농도가 그램 타입의 표시인 발색단들(chromophores) 또는 형광단들(fluorophores)을 생성한다. 이는 통상적으로 박테리아의 발색성 또는 형광성 "표지화(labeling)"로 언급된다. 비록 이러한 형태의 선행 기술이 예를 들어 적절한 기구(예를 들어 분광분석기/형광광도계)를 사용하여 발색단들/형광단들의 광도를 측정하고 그리고 계속해서 컴퓨터로 측정된 세기를 사전정의된 문턱값과 비교하는 것에 의하여 자동화될 수 있기는 하나, 그럼에도 불구하고 이는 특정한, 종종 고가의 발색 또는 형광 서브스트레이트의 설계를 필요로 한다. 더욱이, 어떤 기술을 사용하든, 박테리아는 그들의 자연 상태의 변성을 수행하고(예를 들어 이들은 염료들을 포함하고, 고정된 발색성 마커 또는 형광성 마커 등을 가짐) 따라서 더 이상 후속하는 특정화 시험들(예를 들어 항생제 민감성의 결정)에 대하여 사용될 수 없다.
박테리아의 발효성 또는 비-발효성 특성의 결정을 위하여는, 대개는 시험된 박테리아 균주의 발효성 또는 비-발효성 특성에 따라 색상이 변화하는 발색성 배지의 사용에 의하여 실행된다. 예를 들어, "Kligler-Hajna" 시험은 pH, 락토오스, 글루코스, 티오술페이트 및 철 이온(ferrous ion)에 따라 색상이 변하는 비색 지시자(colorimetric indicator)를 포함하는 배양 배지 상에서 균주를 성장시키는 것으로 이루어진다. 이 배지는 글루코스의 분해대사에 의하여 박테리아의 발효성 특성을 검출하고, 이는 pH 지시자의 비색 이동(colorimetric shift)의 결과를 가져온다. 그램-음성이고 비-발효성인 박테리아를 특정하는 박테리아 균주의 트리부티린 에스테라아제(tributyrin esterase)의 활성을 시험하기 위한 배지가 또한 존재한다.
본 발명의 목적은 박테리아의 균주의 그램 타입 및 발효성 특성을 결정하기 위한 방법을 제공하며 이는 자동적이고 그리고 박테리아의 표지화 또는 염색 또는 이들 특성들을 결정하기 위한 배양 배지를 필요로 하지 않는다.
이러한 목적을 위하여, 본 발명은:
- 파장 범위 390 ㎚ 내지 900 ㎚에서 상기 범위에서 자연적인 전자기 반응을 갖는 상기 균주의 적어도 하나의 박테리아를 조사하고;
- 상기 범위에서, 상기 조사된 박테리아로부터 반사되거나 이를 통하여 투과된 광도를 획득하고; 그리고
- 상기 범위에서 획득된 광도의 함수로서 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 것;을 포함하는, 박테리아 균주의 그램 타입 및 발효성 특성을 검출하기 위한 방법에 관한 것이다.
"자연적인 전자기" 반응은 박테리아가 적어도 대상의 파장 범위의 조사에 대하여 그들의 전자기 반응을 변화시키는 요소들(염료, 발색원(chromogen), 형광원(fluorogen) 등)의 도움으로 변성되지 않는다는 것을 의미한다. 예를 들어, 균주의 콜로니가 비-발색성, 비-형광성 영양 배지에서 성장되고 그리고 직접적으로 그의 배지 내에 여전히 존재하는 콜로니에 대하여 조사/획득이 수행된다.
달리 말하면, 본 발명자들은 파장 범위 390 ㎚ 내지 900 ㎚에서 박테리아가 그의 그램 타입의 그리고 그의 발효성 또는 비-발효성 특성의 "자연적으로" 전자기적으로 특징적인 특성을 갖는다는 것을 발견하였다. 본 발명에 따른 방법은 따라서 이 특징을 측정하고 그리고 계속해서 이로부터 박테리아의 그램 타입 및 발효성 특성을 추출하는 것으로 이루어진다. 따라서, 발색성 또는 형광성 서브스트레이트 또는 염료를 사용할 필요가 없다. 더욱이, 본 발명에 따른 방법은 조사하고, 스펙트럼을 측정하고 그리고 이 스펙트럼의 컴퓨터 처리를 포함하여 처리를 수행하는 것으로 이루어진다는 점에서 신속하다. 특히, 본 발명의 덕분으로 390 ㎚ 내지 900 ㎚ 범위를 사용하여 박테리아 균주가 그램-양성인지 또는 그램-음성이고 발효성인지 또는 그램-음성이고 비-발효성인지 여부를 결정하는 것이 가능하고, 이러한 정보의 지식은 예를 들어 상기 기술된 바와 같은 실험실 미생물학적 방법을 최적화하는 것을 가능하게 한다.
그램 타입 및 발효성 특성의 결정이 박테리아 균주의 종 또는 속 또는 과의 사전 결정을 필요로 함이 없이 직접적으로 획득된 광도로부터 실행된다는 것에 주목하여야 한다. 특히, 본 발명의 방법은 박테리아 균주의 종이 먼저 동정되고 그리고 계속해서 그 종의 지식으로부터 그램 타입 및 발효성 특성이 추론되는 방법과는 상이하다. 종 수준에서 박테리아 균주를 동정할 필요가 없다는 것은 그램 타입과 발효성 특성을 예측하는 모델을 크게 단순화할 수 있다는 장점이 있다. 사실, 종 수준에서의 동정은 매우 많은 수의 클래스들(classes)을 갖는 예측 모델을 필요로 한다. 예를 들어, 요도관 감염의 경우에서 감염은 99%의 경우들에서 50여 종의 박테리아 종들 중의 한 박테리아 균주에 의해 야기된다고 예상된다. 따라서 종 수준에서의 동정은 대략 50여가지 클래스들의 예측을 필요로 한다. 본 발명에 따르면, 예측은 4가지 클래스들로 한정될 수 있다.
유리하게도, 본 방법은 그 위에 미생물의 콜로니가 성장된 한천 영양 배지를 포함하는 페트리 접시에 적용된다. 예를 들어, 영양 배지가 효모 또는 박테리아를 포함하거나 또는 포함할 것으로 추정되는 생물학적 샘플, 예를 들어 뇨(尿)로 접종되고, 그리고 계속해서 콜로니를 성장시키도록 배양된다. 콜로니가 영양 배지 상에서 검출되자마자, 이는 본 발명의 방법에 따라 특정된다. 따라서, 본 방법은 영양 배지의 접종 후에 임의의 물질 이동 또는 시약 첨가를 필요로 하지 않는다. 콜로니의 검출은, 예를 들어, 정규 간격으로 페트리 접시의 영상을 취하고 그리고 콜로니 검출 알고리즘을 실행하는 것에 의하여 자동적으로 실행된다.
유리하게도, 본 발명에 따른 방법은 박테리아 균주의 자가형광(autofluorescence)의 분석에 기반하지 않고 상기 균주의 반사 또는 흡수의 분석에 기반하고 있다. 특히, 조도는 일반적으로 초스펙트럼 또는 다스펙트럼 영상에 대하여 관측될 수 있는 자가형광을 낼 정도로 강하지 않다.
본 발명은 또한:
- 박테리아 균주의 그램 타입 및 발효성 특성을 결정하고;
- 박테리아 균주, 배양 배지 및 그램 타입과 선택된 발효성 특성의 함수로서 일정한 농도의 항생제를 포함하는 적어도 하나의 샘플을 제공하고; 그리고
- 샘플 중의 상기 균주의 성장의 함수로서 항생제에 대한 박테리아 균주의 민감도를 결정하는 것;을 포함하며,
여기에서 박테리아 균주의 그램 타입 및 발효성 특성의 결정이 앞서 언급된 형태의 방법에 따라 실행되는, 항생제에 대한 박테리아 균주의 항생제 민감성을 형성하는 방법에 관한 것이다.
본 발명은 또한:
- 박테리아 균주의 그램 타입 및 발효성 특성을 결정하고;
- 그램 타입 및 선택된 발효성 특성에 따라 적어도 하나의 비색 배지를 선택하고; 그리고
- 상기 배지에서 박테리아 균주를 배양하는 것;을 포함하며,
여기에서 박테리아 균주의 그램 타입 및 발효성 특성의 결정이 앞서 언급된 형태의 방법에 따라 실행되는, 항생제에 대하여 박테리아 균주를 동정하는 방법에 관한 것이다.
본 발명은 또한 상기 기술된 방법을 실행하기 위한 시스템에 관한 것이다. 특히, 본 발명은:
- 파장 범위 390 ㎚ 내지 900 ㎚에서 균주의 적어도 하나의 박테리아를 조사하도록 배치되는 조사원;
- 390 ㎚ 내지 900 ㎚ 범위에서, 상기 조사된 박테리아로부터 반사되거나 이를 통하여 투과된 광도를 획득하도록 배치되는 센서; 및
범위 390 ㎚ 내지 900 ㎚에서 획득된 광도의 함수로서 박테리아 균주의 그램 타입 및 발효성 특성을 결정하도록 배치되는 컴퓨터 유닛;을 포함하는, 박테리아 균주의 그램 타입 및 발효성 특성을 검출하기 위한 검출 시스템에 관한 것이다.
하나의 실시형태에 따르면, 시스템은 조사하고 그리고 상기 균주의 박테리아의 콜로니 및 그 위에 상기 콜로니가 성장되는 영양 배지를 포함하는 샘플, 특히 페트리 접시의 영상을 획득하도록 배치된다.
본 발명은 또한 본 발명에 따른 방법을 실행하기 위한 시스템을 보정하기 위한 방법에 관한 것이며, 시스템은:
- 파장 범위 390 ㎚ 내지 900 ㎚에서 균주의 적어도 하나의 박테리아를 조사하도록 배치되는 조사원;
- 390 ㎚ 내지 900 ㎚ 범위에서, 상기 조사된 박테리아로부터 반사되거나 이를 통하여 투과된 광도를 획득하도록 배치되는 센서; 및
- 센서에 의해 획득된 세기에 대한 분석 지시들을 포함할 수 있는 컴퓨터 메모리 및 컴퓨터 메모리에 포함된 분석 지시들을 실행할 수 있는 마이크로프로세서를 포함하는 컴퓨터 유닛;을 포함하고,
보정 방법은:
- 상기 범위에서 조사된 박테리아 균주들의 범위 390 ㎚ 내지 900 ㎚에서의 광도들을 포함하는 트레이닝 데이터베이스(training database)를 구축하고, 상기 균주들은 서로 다른 그램 타입들 및 서로 다른 발효성 특성들과 연관되고;
- 컴퓨터에 의하여 상기 데이터베이스에 기초하여 박테리아 균주의 그램 타입 및 발효성 특성을 예측하기 위한 모델의 기계 학습(machine learning)을 실행하고; 그리고
- 시스템의 컴퓨터 메모리에, 학습된 예측 모델의 실행을 위한 분석 지시들을 저장하는 단계들을 포함한다.
본 발명은 또한:
- 박테리아 감염이 의심되는 환자로부터 샘플을 취하고;
- 유리하게는 한천 배양 배지를 샘플로 접종하고, 상기 접종된 배지를 배양하여 박테리아 콜로니를 성장시키고 그리고 하나 또는 그 이상의 성장된 박테리아 콜로니를 검출하는 것에 의하여 샘플에 존재하는 하나 또는 그 이상의 박테리아 균주를 검출하고;
- 상기 언급된 형태의 방법에 의해 검출된 박테리아 균주(들)의 그램 타입 및 발효성 특성을 검출하고;
- 검출된 그램 타입 및 발효성 특성에 기초하여 하나 또는 그 이상의 항생제를 선택하고; 그리고
- 선택된 항생제를 환자에게 투여하는 것
을 포함하는, 치료 방법에 관한 것이다.
본 발명은 단지 예로서 주어진, 그리고 첨부된 도면들에 대하여 이루어진 후속하는 상세한 설명을 판독하는 것에 의하여 보다 잘 이해될 것이며, 여기에서 동일한 참조 기호들은 동일하거나 유사한 요소들을 지정하며, 여기에서
- 도 1은 본 발명에 따른 초스펙트럼 시스템의 모식도이고;
- 도 2는 본 발명에 따른 다스펙트럼 시스템의 모식도이고;
- 도 3은 도 2의 시스템에서 사용된 대역 통과 필터(bandpass filter)의 투과 스펙트럼의 예이고;
- 도 4는 도 1 또는 도 2의 시스템을 사용하여 실행된 클래스 Y, GP, GNF, GNN들에 대한 예측 방법의 흐름도이고;
- 도 5는 점진적 접근법(step-forward approach)을 사용하는 차별적인 스펙트럼 채널들(discriminating spectral channels)을 선택하기 위한 방법의 흐름도이고;
- 도 6은 클래스 Y, GP, GNF, GNN들에 대한 예측 모델들을 학습하기 위한 방법의 흐름도이고;
- 도 7a는 클래스 Y, GP, GNF, GNN들의 평면 예측 모델(flat prediction model)을 설명하는 그래프이고;
- 도 7b는 클래스 Y, GP, GNF, GNN들의 계통수에 기초하는 계층적 예측 모델을 설명하는 그래프이고;
- 도 7c는 클래스 Y, GP, GNF, GNN들의 최적 트리(optimal tree)에 기초하는 계층적 예측 모델을 설명하는 그래프이고;
- 도 8은 클래스 Y, GP, GNF, GNN들에 대한 예측 모델을 학습하는데 사용되는 박테리아 및 효모 종들을 기술하는 표이고;
- 도 9 및 도 10은 픽셀들의 수 및 그에 따른 예측 모델들의 보정(calibration) 및 교차-검정(cross-validation)에 사용되는 스펙트럼들을 기술하는, 각각 COS 및 TSA 배지들에 대한 표들이고;
- 도 11은 가중 예측비(weighted prediction rate) 또는 균형 분류비(balanced classification rate)의 산출을 나타내는 그래프이고;
- 도 12는 COS 배지의 최적 트리에 대한 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 13은 COS 배지의 최적 트리에 대한 각 모델의 5개의 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 14는 개별적으로 COS 환경의 최적 트리의 각 모델의 5개의 주요한 차별적인 채널들을 나타내는 그래프이고;
- 도 15는 TSA 배지의 최적 트리에 대한 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 16은 COS 배지의 최적 트리에 대한 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 17은 각각 TSA 배지의 최적 트리의 제1, 제2 및 제3 예측 모델들과 연관되는 12개, 8개 및 11개의 주요한 차별적인 채널들을 설명하는 그래프이고;
- 도 18 내지 도 20은 각 도면의 상부에 TSA 배지에 대응하는 그래프 및 각 도면의 바닥에 COS 배지에 대응하는 그래프와 함께 각각 계통수의 제1, 제2 및 제3 예측 모델들을 나타내는 그래프이다.
- 도 1은 본 발명에 따른 초스펙트럼 시스템의 모식도이고;
- 도 2는 본 발명에 따른 다스펙트럼 시스템의 모식도이고;
- 도 3은 도 2의 시스템에서 사용된 대역 통과 필터(bandpass filter)의 투과 스펙트럼의 예이고;
- 도 4는 도 1 또는 도 2의 시스템을 사용하여 실행된 클래스 Y, GP, GNF, GNN들에 대한 예측 방법의 흐름도이고;
- 도 5는 점진적 접근법(step-forward approach)을 사용하는 차별적인 스펙트럼 채널들(discriminating spectral channels)을 선택하기 위한 방법의 흐름도이고;
- 도 6은 클래스 Y, GP, GNF, GNN들에 대한 예측 모델들을 학습하기 위한 방법의 흐름도이고;
- 도 7a는 클래스 Y, GP, GNF, GNN들의 평면 예측 모델(flat prediction model)을 설명하는 그래프이고;
- 도 7b는 클래스 Y, GP, GNF, GNN들의 계통수에 기초하는 계층적 예측 모델을 설명하는 그래프이고;
- 도 7c는 클래스 Y, GP, GNF, GNN들의 최적 트리(optimal tree)에 기초하는 계층적 예측 모델을 설명하는 그래프이고;
- 도 8은 클래스 Y, GP, GNF, GNN들에 대한 예측 모델을 학습하는데 사용되는 박테리아 및 효모 종들을 기술하는 표이고;
- 도 9 및 도 10은 픽셀들의 수 및 그에 따른 예측 모델들의 보정(calibration) 및 교차-검정(cross-validation)에 사용되는 스펙트럼들을 기술하는, 각각 COS 및 TSA 배지들에 대한 표들이고;
- 도 11은 가중 예측비(weighted prediction rate) 또는 균형 분류비(balanced classification rate)의 산출을 나타내는 그래프이고;
- 도 12는 COS 배지의 최적 트리에 대한 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 13은 COS 배지의 최적 트리에 대한 각 모델의 5개의 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 14는 개별적으로 COS 환경의 최적 트리의 각 모델의 5개의 주요한 차별적인 채널들을 나타내는 그래프이고;
- 도 15는 TSA 배지의 최적 트리에 대한 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 16은 COS 배지의 최적 트리에 대한 주요한 차별적인 스펙트럼 채널들의 공간 분포를 설명하는 그래프이고;
- 도 17은 각각 TSA 배지의 최적 트리의 제1, 제2 및 제3 예측 모델들과 연관되는 12개, 8개 및 11개의 주요한 차별적인 채널들을 설명하는 그래프이고;
- 도 18 내지 도 20은 각 도면의 상부에 TSA 배지에 대응하는 그래프 및 각 도면의 바닥에 COS 배지에 대응하는 그래프와 함께 각각 계통수의 제1, 제2 및 제3 예측 모델들을 나타내는 그래프이다.
이하, 기호 A i,j 는 매트릭스 A의 i번째 행 및 j번째 열의 요소를 의미한다.
도 1을 참조하면, 페트리 접시의 한천 주조물(agar cast) 상에 성장된 효모 또는 박테리아 콜로니를 특정하기 위한 초스펙트럼 시스템(hyperspectral system)(10)은:
- 초스펙트럼 영상 획득 장치(12); 및
- 장치의 제어를 위하여 그리고 장치(12)에 의하여 획득된 영상들을 수신하고 그리고 처리하기 위하여 장치(12)에 연결된(예를 들어 유선 또는 무선 연결에 의하여) 데이터-처리 유닛(14)
을 포함한다.
예를 들어 미국 몬타나의 Resonon사(Resonon, Montana USA)의 참조 초스펙트럼 영상화 시스템(reference hyperspectral imaging system) "Pika II"인 장치(12)는:
- 파장 범위 [λ min ;λ max ] = [390;900] 나노미터에서 감응성인 기본 센서들(elementary sensors)의 배열(array), 예를 들어 CCD 또는 CMOS 디지털 센서를 포함하는 디지털 센서 및 센서에 의하여 획득되어야 할 파장을 선택하는 광 분산 요소(light dispersive element) 또는 분광기(spectrograph)로 이루어지는 소위 "초스펙트럼" 카메라(18);
- 그의 초스펙트럼 영상이 획득되어야 하는 페트리 접시(22)의 광학 영상을 카메라(18)의 디지털 센서 상에 집중시키는 렌즈(20);
- [λ min ;λ max ]의 범위 내의 광을 방출할 수 있고 그리고 페트리 접시(22)의 균일한 전방 조사를 달성하는 예를 들어 하나 또는 그 이상의 동종 램프들, 예를 들어 2 또는 4개의 램프들로 이루어지는 전방 조사원(24). 예를 들어, 광들은 백색광 램프들임;
- [λ min ;λ max ]의 범위에서 페트리 접시(22)의 균일한 후방 조사를 제공하는 예를 들어 백색광 LED 배열로 이루어지는 후방 조사원(26); 및
그 위에 페트리 접시(22)가 놓여지고 페트리 접시를 렌즈(20)의 전방에서 움직이도록 하여(scroll) 주사에 의하여 페트리 접시(22)의 전체 영상을 수득하도록 하는 캐리지(carriage)(28)를 포함한다.
따라서 전체 범위 [λ min ;λ max ]에 걸쳐 조사가 제공된다.
장치(12)는 예를 들어 범위 [λ min ;λ max ]에 걸쳐 160 ㎛(300 ㎛에서 예측된 공간 해상도)의 샘플링 단계(sampling step)와 1.7 ㎚의 스펙트럼 해상도(spectral resolution)로 90 ㎜ X 90 ㎜ 영역의 영상을 획득하도록 배치된다.
따라서 장치(12)는 N개의 행과 M개의 열을 갖는, 페트리 접시에 의해 반사된 광의 디지털 영상 HSI를 생성하며, 페트리 접시(22)는 바람직하게는 개방되어 있다(즉 그의 덮개를 수반하지 않음):
통상적으로 "광도(light intensity)"로 언급되는 픽셀의 방사 휘도(radiance)는 본 명세서에서는, 예를 들어 그 자체로 디지털 사진의 분야에서 공지된 바와 같이, 노출 시간(exposure time) 동안 카메라(18)의 센서의 대응하는 기본 감광자리(elementary sensitive site)의 표면에의 입사광의 양에 대응한다.
각 픽셀 Rad i,j (λ)는 서로 다른 파장들 [λ min ;λ max ]에서의 픽셀에 대응하는 접시(22)의 방사 휘도의 디지털 스펙트럼으로 이루어지며, 수치적 스펙트럼(numerical spectrum)은 하기 관계식에 따라 표현된다:
여기에서 Δλ는 스펙트럼 해상도이고 p는 에 속하는 양의 정수이다. 획득 파장들(acquisition wavelengths) 는 통상적으로 "채널들(channels)"로 언급된다.
데이터-처리 유닛(14)은, 예를 들어, 개인용 컴퓨터, 태블릿, 스마트폰, 서버, 슈퍼컴퓨터 또는 보다 일반적으로는 마이크로프로세서(들), 특히 획득 장치(12)에 의해 생성된 영상들 HSI의 처리를 실행하도록 배치되는, 이들 기술들의 형태들을 결합하는 회로들에 기반하는 FPGA-타입 회로들에 기반하는 디지털 신호 처리장치(DSPs: digital signal processors)에 기반하는 임의의 시스템이다. 유닛(14)에는 본 발명에 따른 처리를 실행하기 위한 컴퓨터 지시들과 함께, 이러한 실행에 유용한 매개변수들과 함께 장치(12)에 의해 생성된 영상들을 저장하기 위한 그리고 중간 및 최종 계산들의 결과들을 저장하기 위한 모든 메모리들(RAM, ROM, 캐쉬 메모리, 대용량 메모리(mass memory)??)이 제공된다. 유닛(14)은 임의선택적으로 콜로니들의 특정화의 최종 결과, 특히 시험된 콜로니들의 그램 타입의 결정 및/또는 발효성 특성 및/또는 박테리아 또는 효모 특성의 시각화를 위한 디스플레이 스크린(display screen)을 포함한다. 비록 단지 하나의 처리 유닛이 기술되기는 하였으나, 본 발명은 명백하게도 여러 처리 유닛들(예를 들어 영상들 HSI의 전-처리(pre-processing)를 실행하기 위한 카메라(18)에 장착된 유닛 및 나머지 처리를 실행하기 위한 장치(12) 외의 유닛)에 의해 실행되는 처리에 적용된다. 더욱이, 시스템은 예를 들어 키보드/마우스 및 작업자에 의해 사용될 수 있는 드롭-다운 메뉴(drop-down menu), 페트리 접시에 존재하고 배지 등에 대한 정보를 포함하는 바코드/QR 코드를 판독하는 바코드/QR 코드 판독기 등에 의해 샘플에 관한 데이터, 특히 예측이 배지에 의존적인 경우에 사용되는 배양 배지의 타입의 유닛(14) 내로의 진입을 허용하는 인터페이스(interface)로 완성될 수 있다.
도 1의 초스펙트럼 시스템은 서로 다른 콜로니 클래스 예측 모델들을 채용하고 예측의 정확성을 높이도록 다수의 스펙트럼 채널들을 사용할 수 있기 때문에 파장 획득의 면에서 신속하다는 이점을 갖는다. 그러나, 이러한 시스템은 높은 가격 외에도, 일반적으로 그의 센서에의 입사광의 세기의 영상을 획득하는 것이 유일한 목적인 통상적인 CMOS 또는 CCD 카메라 보다 공간적으로 해상도가 덜하다.
도 2를 참조하면, 다스펙트럼 시스템(32)은 예를 들어 카메라(32)의 렌즈(20)와 센서 사이에서 렌즈(20)의 전방에 배열된 한 세트의 스펙트럼 필터(36)와 결합된 높은 공간 해상도를 갖는 카메라, 유리하게는 CMOS 또는 CCD 카메라라는 점에서 초스펙트럼 시스템(10)과는 상이하다. 필터들(36)의 세트는 각각이 50 ㎚ 이하, 바람직하게는 20 ㎚ 이하인 반치폭(FWHM: full width half maximum)으로 범위 [λ min ;λ max ]의 [λ1; λ2]의 범위의 광 만을 전송하도록 배치되는 개별 대역 통과 필터들(separate bandpass filters)의 N F 수로 이루어진다. 이러한 필터의 투과 스펙트럼, 예를 들어 420 ㎚에 중심을 둔 Edmund Optics filter를 도 3에 나타내었다. 조립체(36)는 예를 들어 최대 24개의 서로 다른 필터들을 수용할 수 있고, 카메라의 전방에서 필터들을 움직이도록 하고 각 필터에 대하여 영상 포착(image capture)을 제어하도록 작동하는 유닛(14)에 의해 구동되는 필터 휠(filter wheel)이다.
따라서 다초점 영상 HSI(λ)가 획득되고, 그의 각 픽셀 Radi,j(λ)는 조립체(36)에 의해 여과되는 서로 다른 스펙트럼 밴드들에서 픽셀에 대응하는 접시(22)의 방사 휘도의 디지털 스펙트럼으로 이루어지고, 디지털 스펙트럼은 하기 관계식에 따라 표현된다:
시스템을 사용하여 생물학적 샘플(예를 들어 뇨, 혈액, 기관지폐포(bronchoalveolar) 샘플 채취 등) 중에 포함된 미생물들을 특정하기 위한 방법(40)이 이제 도 4의 흐름도를 참조하여 상술된다. 특히, 이 방법은 유리하게도 MALDI-TOF 질량분석법(예를 들어 본 출원인에 의해 시판되는 Vitek® MS)의 도움으로 상기 샘플 중에 포함된 미생물 및 상기 미생물들의 항생제 민감성(예를 들어 본 출원인에 의해 시판되는 Vitek® 2 platform의 도움으로)을 동정하기 위한 보다 전반적인 방법의 체계 내에서 적용된다. 그 자체로 공지된 바와 같이, 이들 기술들 각각은 미생물의 타입에 따라 특정한 배지 및/또는 시약들 및/또는 소모품의 선택을 필요로 한다. 예로서, MALDI-TOF 질량분석법에 의한 효모들의 동정은 유리하게는 이러한 형태의 기술에서 사용되는 매트릭스 중에서 포름산의 사용을 포함한다. 유사하게, Vitek® 2 platform card(성장 배지 및 항생제 민감성 시험 동안 시험되는 하나 또는 그 이상의 항미생물제를 포함하는 카드)의 선택은 시험되는 미생물의 박테리아 속성에 의존한다. 특히, 그램-음성이고 발효성인 박테리아는 이들의 항생제 민감성을 수행하기 위한 특별한 카드를 필요로 한다.
유리한 방법으로, 하기 기술되는 특정화 방법(40)은 페트리 접시 상에의 1차 성장으로부터 미생물학적 방법의 지속을 위한 미생물들에 대한 필요한 정보, 특히 성장된 콜로니가 효모("Y") 또는 박테리아인지, 그리고 박테리아인 경우, 그 박테리아가 그램-양성("GP") 또는 그램-음성("GN")인지, 그리고 그램-음성 박테리아인 경우, 박테리아가 발효성("GNF") 또는 비-발효성("GNN")인지 여부를 수득하는 것을 가능하게 한다. 따라서 방법은 클래스 Y, GP, GNF 또는 GNN을 갖는 미생물의 클래스를 예측하는 것을 가능하게 한다.
방법의 제1 단계 42에서, 페트리 접시가 예를 들어 환자로부터 취한 생물학적 샘플로 접종되어 페트리 접시에 데포된(deposited) 영양 배지 또는 "배양물(culture)"의 표면 상에 효모 또는 박테리아 콜로니들을 성장시킨다. 영양 배지의 주 목적은 상기 콜로니를 성장시키고, 그리고 임의선택적으로 광 교란(light disturbance)을 제한하는 것에 의하여 특정화의 정확성을 향상시키는 것이다. 바람직하게는 반사된 광도에 따른 그램 타입 검출과 관련하여, 영양 배지가 불투명하고, 이는 검출의 정밀도를 증가시킨다. 특히, 불투명한 배지는 10% 이하, 그리고 바람직하게는 5% 이하, 그리고 심지어 보다 더 바람직하게는 1% 이하의 반사율 계수(reflectance factor) ρ를 갖는다. 예를 들어, 배양 배지는 소위 "CPSO" 한천("CPSO" agar ; 배지를 불투명하게 하는 SiO2를 포함하는 "CPS" agar), 소위 "콜럼비아" 한천(columbia" agar ; "CNA" agar), 5% 양의 혈액을 수반하는 콜럼비아 한천(Columbia agar ; "COS" agar), 만(Man), 로고사(Rogosa), 샤르프 한천((Sharpe("MRSM") agar), 초콜렛 한천(chocolate("PVX") agar), 트립톤-콩 한천(tryptone-Soy agar ; "TSA") 등이다.
이러한 형태의 콜로니 성장은 전형적이고 그리고 이하에서 더 이상 상술되지는 않을 것이다. 이는 유리하게도 작업자에 의해 수작업으로 또는 그 자체로 공지된 방법으로 자동 접종 머신(automatic inoculating machine)을 사용하여 자동적으로 실행될 수 있다. 유리하게도, 준비는 미생물의 특정화가 실행되는 것에 기초하여 콜로니들이 서로 간격을 두고 떨어져서 콜로니의 표면적이 장치(12)에 의해 획득된 영상 중의 복수의 픽셀들에 대응하도록 하는 방법으로 실행된다. 이는 특히 획득된 영상에서의 후속하는 동정 및 그에 따라 영상 처리 알고리즘에 의한 이들의 분할(segmentation) 또는 사용자에 의한 영상으로부터의 이들의 추출을 용이하게 한다.
예를 들어 24시간, 36시간 또는 48시간 후에 일단 콜로니 성장이 완료되면, 페트리 접시가 바람직하게는 개방되고, 캐리지(28)에 올려놓고, 조명 수단(24 및 26)을 켜고 그리고 단계 44에서 획득 장치(12)(개별적으로 32)의 도움으로 페트리 접시의 적어도 하나의 초스펙트럼(개별적으로 다스펙트럼) 영상 HSI가 획득되고 그리고 처리 유닛(14)에 저장되고, 이 처리 유닛은 컴퓨터 처리를 실행하여 획득된 영상들로부터 콜로니를 구성하는 미생물의 타입을 결정한다.
유닛(14)은 임의선택적으로 단계 46에서 하기 형태들의 처리 중의 하나 또는 이들의 임의의 조합으로 이루어지는 노이즈 전-처리(noise pre-processing)를 시작한다:
a. 그 자체로 공지된 방법으로 카메라 센서 노이즈, 특히 그의 오프셋(offset), 공간 노이즈(spatial noise) 등의 보정(correction);
b. 기생 반사(parasitic reflections), 특히 영상 HSI 중의 "하이라이트(highlights)"를 형성하는 정반사(specular reflections)의 처리. 예를 들어, 소정의 문턱값 초과의 값들, 예를 들어 픽셀들이 취할 수 있는 최대값의 2/3 이상(즉 0 내지 255에서 8 비트로 부호화(encoding)된 픽셀들의 경우에 170 이상)을 갖는 픽셀들을 제거하도록 실행되는 스레숄딩(thresholding);
c. 박테리아의 타입과 사용된 한천의 형태에 대하여 불변인 파장에서 반사된 광도로 영상 HSI를 나누는 것에 의하여 조사에서의 편차와 같은 외적 요동들(external fluctuations)에 의해 야기되는 영상들에서의 편차들을 약화시키는 비율계량분석 처리(ratiometric processing);
d. 만일 복수의 영상들 HSI가 획득된 경우, 분리물들(outliers) 및/또는 획득된 영상들의 평균을 탐색 및 제거.
유리하게도, 단계 48에서, 서로 다른 파장들에서의 방사 휘도를 저장하는 전-처리된 영상 HSI를 초스펙트럼 또는 다스펙트럼 반사 영상으로 변형시켜 페트리 접시 만에 의해 생성되는 신호를 추출한다. 이는 특히 조사원들(24, 26)의 방출 스펙트럼의 요동들을 여과하는 것을 가능하게 한다. 예를 들어, 평면 필드 보정(FFC : flat field correction)이 실행되어 반사율을 수득하고, 이는 또한 픽셀 간의 센서의 응답 분산들(sensor's response dispersions)(암전류 분산(dark current dispersion), 이득 분산(gain dispersion) 등)을 보정하는 이점을 갖는다.
초스펙트럼 영상의 정황에서, 이러한 변형은 예를 들어 하기 관계식들에 따른 보정이다:
여기에서 γ(λ)는 반사 영상이고, W는, 유닛(14)에 저장된, 고반사율이고 그리고 조사원(24, 26)에 의해 조사된 중립 대상체(neutral object), 예를 들어 90% 초과의 균일 반사율의 시트(예를 들어 소위 "백색" 시트 또는 10% 미만의 회색 차트(grey chart)를 수반하는)의 초스펙트럼 영상이고, 그리고 B는 렌즈(20)를 차단하고 이거나 또는 매트릭스 의 평균과 동등한 흑색 캡(black cap)의 영상과 같은, 유닛(14)에 저장된, 저반사율의 중립 대상체의 초스펙트럼 영상이다.
유사하게, 다스펙트럼 영상의 정황에서, 변형은 예를 들어 하기 관계식에 따른 보정이다:
여기에서 W는 유닛(14)에 저장된, 고반사율이고 그리고 조사원(24, 26)에 의해 조사된 중립 대상체, 예를 들어 90% 초과의 균일 반사율의 시트(예를 들어 소위 "백색" 시트 또는 10% 미만의 회색 차트를 수반하는)의 다스펙트럼 영상이고, 그리고 B는 렌즈(20)를 차단하고 이거나 또는 매트릭스 의 평균과 동등한 흑색 캡의 영상과 같은, 유닛(14)에 저장된, 저반사율의 중립 대상체의 다스펙트럼 영상이다.
유닛(14)은 단계 50에서 단계 38 이후 또는 이전 단계들과 병행하여 예를 들어 영상 HSI(λ) 또는 γ(λ)로부터 박테리아 콜로니들을 동정하기 위한 알고리즘을 실행한다. 임의의 표준 패턴 및 대상체 인식 알고리즘이 사용되어 콜로니에 대응하는 "Col(λ)"라 불리우는 영상의 면적을 추출할 수 있다. 대안으로, 이러한 선택은 디스플레이 스크린 및 예를 들어 마우스와 같은 지시 메커니즘(pointing mechanism)을 사용하여 이 필드를 선택하는 작업자에 의해 수작업으로 이루어진다. 한 예로서, 필드 Col(λ)는 콜로니에 속하는 픽셀 좌표들의 목록으로 이루어진다. 선택된 픽셀 면적들은 유닛(14)에 의해 저장된다.
방법은, 단계 52에서, 그의 변형들이 하기에 기술되는 사전정의된 결정 법칙들을 적용하는 것에 의하여 면적 Col(λ)의 적어도 하나의 스펙트럼에 따라 콜로니 중의 미생물의 클래스 Y, GP, GNF 또는 GNN을 예측하는 것으로 지속된다. 특히, 이 예측은 면적 Col(λ)의 각 픽셀(i, j)의 스펙트럼 γ i, j (λ)에 기초하여 이루어진다. 이러한 목적을 위하여, 클래스의 예측은 면적 Col(λ)의 각 픽셀(i,j)에 대하여 이루어지고 계속해서 클래스의 최종 예측을 위하여 다수결(majority vote)이 실행된다. 제1 변형에서, 단순 다수결이 실행, 즉 Col(λ)의 픽셀들의 최대수에 대하여 예측된 클래스가 최종적으로 선택된 클래스이다. 제2 변형에서, 클래스의 예측에서의 확실성을 높이기 위하여, 적격성 표결(qualified vote)이 실행 즉, 최종적으로 유지되는 클래스는 Col(λ)을 구성하는 픽셀들의 수의 X% 이상인 것에 대하여 예측되는 것이며, X는 엄격히 50% 초과 그리고 바람직하게는 70% 이상이어야 한다. 이 조건에 부합하는 클래스가 없는 경우, 방법은 클래스 예측의 부재로 회귀한다. 물론, 콜로니의 클래스는 단일값, 예를 들어 면적 Col(λ)의 스펙트럼의 세트 의 평균 스펙트럼 γ col (λ)을 사용하여 실현될 수 있다.
유닛(14)에 의한 각 콜로니의 클래스 Y, GP, GNF 또는 GNN은 사전정의된 예측 규칙들을 적용하는 것에 의하여 달성되며, 그의 변형들이 이하에서 기술된다. 예측된 클래스들은 유닛(14)에 저장되고/되거나 사용자를 위하여 스크린 상에 디스플레이 된다. 이러한 예측은 또한 유리하게도 동정의 후속 단계 및/또는 콜로니들을 형성한 미생물들의 항생제 민감성 시험을 위한 다른 미생물 분석 기기에 전달된다.
지도기계학습(SML: supervised machine learning)에 기반하는 예측 모델들을 포함하여 콜로니 픽셀의 스펙트럼 γ i,j (λ)의 함수로서의 클래스 Y, GP, GNF 또는 GNN의 다른 예측 모델들이 이제 기술될 것이다. 사용된 SML 도구들(tools)이 먼저 도 5와 관련하여 기술되고 계속해서 예측 모델들이 아래에서 도 6 및 도 7에 설명된 이들의 학습 과정을 통하여 기술된다.
A. 지도기계학습 도구들
고려되는 학습의 형태와는 무관하게, 학습 데이터베이스(learning database)의 생성부터 시작한다. 각 Y, GP, GNF 및 GNN 클래스에 대하여, 박테리아 및 효모들이 선택되고 그리고 이들 각각이 페트리 접시 내의 한천 주조물 상에 파종되고, 소정의 시간 동안 배양되고 그리고 도 1에 기술된 시스템으로, 그리고 그에 따라 동일한 조사 조건 하에서 그리고 파장 범위 390 ㎚ 내지 900 ㎚에서 접시의 초스펙트럼 영상이 획득된다. 한천 상에서 성장된 콜로니들의 픽셀들이 예를 들어 방법(40)의 단계 46 내지 50들에서 기술된 바와 같이 추출되고 그리고 이들 연관된 스펙트럼들이 훈련 데이터베이스(training database)에 저장된다. 따라서 훈련 데이터베이스는 각각 클래스 Y, GP, GNF 및 GNN들과 연관된 스펙트럼 , , , 들의 4개의 세트들을 포함한다. 이들 세트들 각각은 그 자체로 선행기술에서 공지된 바와 같이 학습 자체를 위하여 사용되는 "보정(calibration)"이라 불리우는 제1 파트 및 산출된 예측 모델들의 성능을 평가하는 데 사용되는 "교차-검정(cross-validation)"이라 불리우는 제2 파트의 두 파트들로 분할된다.
제1의 특별한 실시형태에 따르면, 예측모델들을 학습하도록 하기 위하여 "점진법(step-forward)"로 알려진 컴퓨터-실행 학습이 사용된다. 이러한 형태의 학습은 가장 차별적인 스펙트럼 채널들의 단계별 선택에 기초하여, 본질적으로 간명하고(parsimonious) 도 2의 시스템에 의해 실행되는 바와 같은 다스펙트럼 응용에 적합하다.
도 5를 참조하면, 학습(60)은 차별적인 채널들의 최대수 R이 선택되는 초기화 단계 62로 시작하고, 이 수는 1 내지 스펙트럼 획득을 위하여 사용된 초스펙트럼 카메라의 스펙트럼 채널들의 수 P 사이이다. 선택된 차별적인 채널들의 목록 L이 비워지고 그리고 후보 채널들의 목록 l이 초스펙트럼 카메라 채널들의 세트 {λ1, λ2, … , λP}로 초기화된다.
후속하는 반복 단계 64에서, 목록 l이 반복 단계 66을 실행하는 것에 의하여 목록 L의 가장 차별적인 R 채널들로 단계적으로 채워진다. 특히, 단계 64의 주어진 반복 r에 대하여, 단계 66은:
- 목록 l의 각 채널 λk를 추출하고;
계속해서 단계 64는, 단계 72에서, 최고 성능 기준을 제공하는 예측 모델 그리고 그에 따라 목록 L 중의 채널들과의 조합으로 가장 차별적인 목록 l의 채널 λr의 동정을 지속한다. 단계 74에서, 목록 L은 계속해서 채널 λr로 완결되고 그리고 이는 단계 64의 다음 반복 r+l에 대하여 목록 l로부터 제거된다. 일단 가장 차별적인 R 채널들이 동정되면, 그 다음에 학습 과정은, 단계 74에서, 목록 L 및 후자 즉 단계 72에서 동정된 최종 모델과 연관되는 예측 초평면(hyperplane) 을 저장하는 것에 의하여 종료된다.
유리하게도, 단계 68에서 산출된 예측 모델들은 서포트 벡터 머신(SVM: support vector machine) 타입의 "전체 대비 하나(one against all)" 선형 커널(linear kernel) 및 소프트 마진(soft margin)이다. 이러한 형태의 학습은 이하에서 기술되는 바와 같이, 보정 스펙트럼들에 따라, 1, 2 또는 3개의 다른 클래스들로부터 형성된 세트 로부터 클래스 Cl(Cl = Y, GP, GNF 또는 GNN)을 분리하는 초평면 을 산출하는 것으로 이루어진다. 예를 들어, 모델은 하기 관계식들에 따라 단계 66의 반복 k 및 단계 64의 반복 r에 대한 최적화 문제(optimization problem)를 해결하는 것에 의하여 학습된다:
의 제한 하에
여기에서:
- 클래스 Cl에 또는 세트 에 속하는 보정 스펙트럼 γm(λ)에 대하여, 은 목록 L = {λ1, λ2, … , λr-1} 중의 스펙트럼 채널들 및 반복 k 동안 목록 l로부터 추출된 채널 λ k 에 대응하는 γm(λ)의 성분들의 벡터, 바람직하게는 그의 성분들이 채널들의 값에 따라 정렬된 벡터와 동등하고;
- C는 사전정의된 스칼라량이다.
따라서 1-픽셀(one-pixel) 스펙트럼 γ i,j (λ)의 클래스 Cl에의 멤버쉽(membership)을 예측하는 모델은 하기 단계들에 따라 실행된다:
- 거리 S cl 의 함수로서의 클래스 Cl의 예측 법칙(prediction rule)의 적용, 예를 들어, 스펙트럼은 S cl 의 기호가 양인 경우, 클래스 Cl, 그리고 기호가 음인 경우, 전체 에 속한다.
제2 실시형태에 따르면, 결과의 예측 모델이 특히 도 1에 나타낸 시스템을 사용하는 초스펙트럼 응용예에 아주 적절하기 때문에, 학습은 간명하지 않고 그리고 동시에 모든 채널들을 사용하는 것으로 이루어진다. 예를 들어, 이러한 훈련(training)은 선형 커널 및 유연한 마진(flexible margin)을 수반하는 SVM 타입의, "전체 대비 하나"이고, 그리고 하기 관계식에 따라 최적화 문제를 해결하는 것에 의하여 1, 2 또는 3개의 다른 클래스들로부터 형성된 세트 로부터 클래스 Cl(Cl = Y, GP, GNF 또는 GNN)을 분리하는, 보정 스펙트럼의 함수로서, 초평면 을 산출하는 것으로 이루어진다:
의 제한 하에
여기에서:
- γm(λ)· β는 벡터 γm(λ) 및 벡터 β 간의 스칼라곱이고,
- C는 사전정의된 스칼라량이다.
따라서 1-픽셀 γ i,j (λ)의 스펙트럼의 클래스 Cl에의 멤버쉽을 예측하는 모델은 하기 단계들에 따라 실행된다:
- 거리 S cl 의 함수로서의 Cl 클래스의 예측 법칙의 적용, 예를 들어, 스펙트럼은 S cl 의 기호가 양인 경우, 클래스 Cl, 그리고 기호가 음인 경우, 세트 에 속한다.
B. 예측 모델들을 학습하기 위한 처리
도 6을 참조하면, 예측 모델들에 대한 학습 과정(80)은, 단계 82에서, 상기 기술된 바와 같이, 클래스 Y, GP, GNF 및 GNN들에 대한 학습 데이터베이스의 구축으로 시작한다. 방법(80)은, 단계 84에서, 예측 모델 구조의 결정을 지속한다. 특히, 각각 도 7a 및 도 6b와 도 6c에 나타낸 바와 같은 2가지 타입들의 모델들이 가능하다.
도 7a에 나타낸, 첫 번째 형태의 예측 모델은 4개의 "전체 대비 하나"의 예측 모델들(90, 72, 74, 76)들, 즉 클래스 GP, GNF, GNN들에 대한 클래스 Y의 예측, 클래스 Y, GNF, GNN들에 대한 클래스 GP의 예측, 클래스 Y, GP, GNN들에 대한 클래스 GNF의 예측, 클래스 Y, GP, GNF들에 대한 클래스 GNN의 예측을 학습하는 것으로 이루어진다. 이러한 목적을 위하여:
- 클래스 Cl이 Y, GP, GNF, GNN과 동등하고 그리고 세트 이 다른 3개의 클래스들로 이루어지는, 관계식 (6) 또는 (7)에 관하여 상기 기술된 학습 도구들 중의 하나를 실행하는 것에 의하여 학습 데이터베이스로부터 각 예측 모델이 학습되고;
- 각각 초평면 , , , 들에 대한 또는 초평면 , , , 들에 대한 상기 픽셀의 스펙트럼 γ i,j (λ)의 거리들 SY, SGP, SGNF, SGNN을 산출하고(단계 90 내지 단계 96들), 그리고 계속해서, 단계 88에서, 산출된 거리들의 함수로서 픽셀의 클래스를 결정하는 것에 의하여 픽셀의 그램 타입 및 발효성 특성의 예측이 얻어진다(도 3의 단계 52). 특히, 선택된 클래스는 최대 거리에 대응하는 것이다.
"평면(flat)"이라 불리우는, 도 7a에 나타낸 구조의 첫 번째 형태에 따르면, 클래스 Y, GP, GNF 및 GNN들은 동등한 중요도로, 그리고 그에 따라 마찬가지로 동정 오류들로 고려된다. 예를 들어, 박테리아 GNN 대신 효모 Y를 동정하는 것은 박테리아 GNN 대신 박테리아 GNF를 동정하는 것만큼이나 심각한 것이다. 도 7b에 설명된 구조에 따르면, 예측 모델들은 계통분류수(phylogenetic taxonomic tree)로 조직되며, 이는 더 이상 서로 다른 클래스들을 동등한 중요도로 고려할 필요가 없고 선행하는 정보, 즉 스펙트럼의 형상에 영향을 줄 수 있는 진화학상의 정보를 도입하는 것을 가능하게 한다. 보다 구체적으로, 이러한 예측 모델은:
- 박테리아 GP, GNF, GNN들로부터 효모 Y를 구별하는 것으로 이루어지는 제1 모델(100);
- 박테리아 GNF 및 GNN들로부터 박테리아 GP를 구별하는 제2 모델(102); 및
- 박테리아 GNN들로부터 박테리아 GNF를 구별하는 것으로 이루어지는 제3 모델(104)
을 포함한다.
모델(100) 내지 모델(104)들 각각은 관계식 (6) 또는 관계식 (7)들과 관련하여 상기 기술된 방법으로 얻어지고 그리고 그에 따라 클래스 Y, GP, GNF 및 GNN들 중의 하나의 픽셀 스펙트럼 γ i,j (λ)의 멤버쉽의 예측은 제1 모델(100)의 초평면에 대한 그의 거리 SY를 산출하는 것으로 이루어지고 그리고 이 거리의 기호가 양인 경우, 그에 따라 클래스 Y가 예측된다. 달리, 제2 모델(102)의 초평면에 대한 거리 SGP가 산출되고 이 거리의 기호가 양인 경우, 그에 따라 클래스 GP가 예측된다. 달리, 제3 모델(104)의 초평면에 대한 거리 SGNF가 계산되고, 그에 따라 클래스 GNF가 예측된다. 달리, 클래스 GNN이 예측된다.
비록 표현형 모델이 도 7a에 나타낸 바와 같은 평면 예측 구조에 비하여 예측의 정확도를 향상시키기는 하나, 본 발명자들은 표현형 트리(phenotypic tree)가 보다 더 나은 결과들을 제공하는 트리일 필요가 없다는 것에 주목하였다. 특히, 그 위에서 특정되어야 할 미생물들이 성장되는 배양 배지에 따라 하나의 트리가 바람직할 수 있고, 이는 스펙트럼의 형상에 영향을 준다. 바람직하게는, 도 7c에 나타낸 바와 같은 최적 예측 구조가 보정 스펙트럼의 함수로서 결정된다. 특히, 제1 단계에서, 4가지 예측 모델들 a) Y 대 GP, GNF 및 GNN, b) GP 대 Y, GNF 및 GNN, c) GNF 대 Y, GP 및 GNN 그리고 d) GNN 대 Y, GP 및 GNF들이 상기 기술된 바와 같이 산출되고 그리고 최선의 예측 성능을 갖는 모델이 최적 트리의 제1 모델(110)로 유지된다. 제2 단계에서, 제1 모델의 클래스가 폐기되고, 그리고 잔류하는 클래스들에 대응하는 3가지 예측 모델들이 계산된다. 예를 들어, 제1 모델이 클래스 GNN에 해당하는 경우, 계속해서 제2 단계의 3가지 모델들은 상기 기술된 바와 같이 a) Y 대 GP 및 GNF, b) GP 대 Y 및 GNF 그리고 c) GNF 대 Y 및 GP들이다. 계속해서 3가지 모델들 중의 최선이 최적 트리의 제2 모델(112)로 유지된다. 제3 단계에서, 제1 모델(110) 및 제2 모델(112)의 클래스들이 폐기되고, 그리고 2개의 잔류하는 클래스들이 상기 기술된 바와 같이 계산되고 그리고 최적 트리의 제3 모델(114)로 유지된다. 계속해서 도 7b에 관하여 기술된 것과 유사한 방법으로 트리를 횡단하는 것에 의하여 클래스 Y, GP, GNF 및 GNN들 중의 하나의 하나에 대한 픽셀 스펙트럼 γ i,j (λ)의 멤버쉽이 수득된다.
도 6으로 돌아가서, 일단 예측 모델의 구조가 결정되면, 학습 과정(80)은, 임의선택적으로 단계 84에서, 예측을 위하여 사용된 스펙트럼 채널들의 수에서의 감소를 지속하고, 이러한 감소는 채널 선택 및/또는 그룹화(grouping)에 의해 달성된다. 특히, 도 7a, 도 7b 및 도 7c들과 관련하여 앞서 기술된 예측 모델들이 도 5의 "점진적" 접근법을 사용하여 산출되는 경우, 사용된 채널들의 수는 매개변수 R로 직접적으로 고정될 수 있다. 대안으로, 또는 부가적으로, 모델 성능에 어떠한 유의미한 증가도 제공하지 않는 별도의 채널들은 폐기될 수 있다. 대안으로, 또는 부가적으로, 범위 390 ㎚ 내지 900 ㎚를 그의 폭이 도 2 및 도 3에 관하여 상기 기술된 바와 같은 필터들의 폭에 대응하는 간격들(intervals)로 분할하는 것에 의하여 채널 그룹화가 달성될 수 있다. 계속해서 간격 당 단 하나의 스펙트럼 채널이 보류된다. 따라서 λ1, λ2, …, 들이 선택되는 최종 채널들의 수는 도 2에서의 다스펙트럼 시스템의 세트(36)의 스펙트럼 필터들의 중심 파장들을 정의한다. 이하에서 기술되는 바와 같이, 단지 24개의 채널들 및 그에 따라 24개의 스펙트럼 필터들을 사용하여 고-정밀도 클래스들의 예측을 수득하는 것이 가능하다.
임의선택적으로, 다스펙트럼 응용에 대한 최종 채널들을 선택하고 그리고 그에 따라 다스펙트럼 시스템을 구축하고, 도 2의 시스템으로의 스펙트럼들의 획득에 기초하여, 새로운 훈련이 실행되어 예측 모델들을 개선하고, 이러한 훈련은 도 6 및 도 7에 관하여 기술된 훈련과 유사하다.
유사하게, 차별적인 채널들의 소정의 수 R의 선택이 기술된다. 대안으로, 이 수는 사전에 고정되지 않고 그리고 슬롯 탐색(slot search)에 대한 중단 기준(stopping criterion)은 채널들의 수의 함수로서의 성능 이득의 정체(stagnation)이다. 예를 들어, 적어도 하나의 채널의 추가가 성능, 예를 들어 하기 상술되는 BCR을 X% 이상으로 증가시키지 않는 경우, 그에 따라 채널 탐색이 예를 들어 2% 이하의 X로 중단된다.
C. 실시예들
클래스 Y, GP, GNF 및 GNN들의 예측의 적용이 이제 기술될 것이다. 이러한 목적을 위하여, 21개의 박테리아 및 효모 균주들이 사용되고, 이들 미생물 종들은 도 8에 기술되어 있다. 이들 종들은 24시간 동안 COS 한천(COS agar) 및 TSA 한천(TSA agar) 상에서 배양되어 이들 배지 각각에 대하여 학습 데이터베이스의 결과를 내었다. 각 종들 및 배지에 대한 콜로니 및 픽셀 수들을 각각 도 9(COS) 및 도 10(TSA)에 보정 데이터에 대응하는 블록 1(Block 1) 및 교차-검정 데이터에 대응하는 블록 2(Block 2)로 나타내었다.
클래스 예측의 성능은 유리하게도 클래스 예측의 민감도(정확한 순위의 스펙트럼들의 비율)의 평균으로 산출된다. 또한 "균형 분류 비율(balance classification rate)" 또는 "BCR"로 불리우는 이러한 가중 기준(weighted criterion)은 불균형인 픽셀 수들을 고려하도록 하는 것을 가능하게 하고, 이는 콜로니들의 크기로 인한 경우이고, 종들에 따라 가변적이다. BCR의 산출을 도 11에 나타내었다.
C.1. COS 결과들
C.1.1. 평면 모델
하기 표 1에는 도 7a에 나타낸 평면 예측 모델에 대한 그리고 관계식 (7)들을 사용하여 수득된 예측 모델들에 대한 BCR들이 주어지고 있다.
박테리아의 서로 다른 균주들을 정확하게 예측하는 것이 가능하다는 것이 표 1로부터 즉각적으로 분명해 보인다. 특히, 특정되어야 할 미생물이 박테리아라는 것을 알았기에, 제1 예측 GP 대 GNN 및 GNF 그리고 제2 예측 GNN 대 GP 및 GNF를 실행하는 것에 의하여 그의 그램 타입 및 그의 발효성 또는 비-발효성 특성을 예측하는 것이 가능하다. 이러한 형태의 예측은 본 출원인에 의해 시판되는 Vitek® 2 platform으로의 항생제 민감성의 성능에 대한 소모품들의 선택에 특히 유용하다.
C.1.2. 최적 트리
도 7c에 나타내었고 그리고 관계식 (7)들을 사용하여 수득된 모델(110), 모델(112), 모델(114)들에 대한 BCR들이 표 2에 요약되었다.
최적 트리가 계통수와 유의미하게 다르며, COS 배지의 영향이 계통적 차이들의 영향 보다 더 클 가능성이 높다는 것은 주목할 사항이다.
도 7c에 나타내었고 그리고 각 모델에 대하여 R = 24로 도 4의 점진적 접근법 및 관계식 (6)들을 사용하여 수득된 모델(110), 모델(112), 모델(114)들에 대한 BCR들이 표 3에 요약되었다.
표 3으로부터 성능 이득이 제1 모델에 대하여 8번째 채널로, 그리고 제3 모델에 대하여 4번째 채널로 제한된다는 것을 주목하여야 한다. 시판되는 필터 시스템들에 대응하는 24개의 스펙트럼 필터들을 사용하는 다스펙트럼 응용예를 얻기 위하여, 제1 모델(110), 제2 모델(112) 및 제3 모델(114)에 대하여 각각 8 채널들, 14 채널들 및 4 채널들을 선택하는 것이 유리하다. 이러한 구현예의 성능을 표 4에 요약하였다.
물론 도 2의 시스템에 대하여 획득가능한 스펙트럼 필터들의 수에 따라 다른 수의 채널들이 선택될 수 있다.
또한 "점진적" 접근법이 클래스 예측에 필요한 정보를 포함하는 스펙트럼 범위들을 결정하는 것을 가능하게 한다는 것에 주목하여야 한다. 그 자체를 각 모델의 처음 5개의 채널들로 한정하는 것에 의하여, 개별적으로 90%에 근접하거나 그보다 더 큰 BCR들이 수득된다. 이들 채널들의 스펙트럼 분포를 도 12 내지 도 14에 나타내었다. 이는 50 ㎚ 초과로 분리된 뚜렷한 스펙트럼 밴드들을 뚜렷하게 구별하고 있다. 특히:
A. 4가지 클래스 Y, GP, GNF 및 GNN들이 제1 범위 415 내지 500 ㎚ 및 제2 범위 535 내지 675 ㎚의 스펙트럼 정보만을 사용하여 효율적으로 예측될 수 있다. 이들 범위들 만을 사용하여, BCR들은 90% 이상이다. 제1 범위를 575 내지 675 ㎚로 한정하는 것에 의하여, BCR이 90%에 근접하거나 그 이상이 되도록 하기 위하여는 모델 당 4개의 채널들 만이 사용된다. 임의선택적으로 제2 모델의 채널 순위(channel rank) 5에 해당하는 제3 범위 850 내지 875 ㎚가 사용된다. 특히, 제1 범위 415 내지 500 ㎚에서의 예측은 범위들 415 내지 440 ㎚ 및 470 내지 495 ㎚에서만 수행될 수 있다. 따라서 본 발명은 상기 범위들에서 스펙트럼들을 획득하고 그리고 상기 범위들 만의 상기 스펙트럼들의 함수로서 클래스들을 예측하는 것으로 이루어지는 클래스 Y, GP, GNF 및 GNN들에 대한 임의의 예측 방법도 커버한다. 본 발명이 클래스 Y, GP, GNF 및 GNN들 간을 구별하는 것을 가능하게 하는 경우, 그에 따라 앞서 언급된 범위들에 포함된 스펙트럼 정보를 사용하여 효모와 박테리아 간을 구별하는 것이 가능하다는 것을 더 주목하여야 한다. 따라서 본 발명은 특정되어야 하는 미생물의 효모 또는 박테리아 특성을 예측하기 위한 방법들 또한 커버한다;
B. Y+GP+GNN에 대한 클래스 GNF의 예측은 단지 제1 범위 470 내지 500 ㎚ 및 제2 범위 575 내지 645 ㎚에 대하여 효율적으로 수행될 수 있다. 따라서 본 발명은 상기 범위에서 스펙트럼들을 획득하고 그리고 상기 범위들 내의 상기 스펙트럼들 만의 함수로서 클래스 GNF를 예측하는 것으로 이루어지는 클래스 GNF를 예측하기 위한 임의의 방법을 커버한다. 특정되어야 하는 미생물의 박테리아 특성이 이미 공지된 경우, 그에 따라 클래스 GP 및 GNN에 대한 클래스 GNF를 예측하는 것으로 이루어진다는 것을 주목하여야 한다. 따라서 본 발명은 또한 전적으로 470 내지 500 ㎚ 및 575 내지 645 ㎚에 기초하는 이러한 형태의 예측을 커버한다;
C. 클래스 GP 대 Y+GNN 예측은 단지 제1 범위 535 내지 675 ㎚, 그리고 보다 구체적으로는 범위 585 내지 675 ㎚ 및 제2 범위 850 내지 875 ㎚ 내에서 효율적으로 수행될 수 있다. 따라서 본 발명은 상기 범위들 내에서 스펙트럼들을 획득하고 그리고 상기 범위들 내의 상기 스펙트럼들 만의 함수로서 클래스 GP를 예측하는 것으로 이루어지는 클래스 GP를 예측하기 위한 임의의 방법을 커버한다. 특정되어야 하는 미생물의 박테리아 특성이 이미 공지된 경우, 그에 따라 클래스 GNF 및 GNN들에 대한 클래스 GP를, 그리고 결과적으로 그램-음성(GN) 박테리아의 클래스에 대한 클래스 GP에 대하여 예측하는 것으로 이루어진다는 것을 주목하여야 한다. 따라서 본 발명은 또한 전적으로 535 내지 675 ㎚ 범위, 그리고 보다 구체적으로 585 내지 675 ㎚ 및 850 내지 875 ㎚ 범위에 기초하는 이러한 형태의 예측을 커버한다;
D. 하기 B 및 C에서 기술된 예측들을 결합하는 것에 의하여, 3개의 범위들로, 그리고 특정되어야 할 미생물의 박테리아 특성을 앎으로써, 박테리아 콜로니가 GP, GNF 또는 GNN인가를 결정하는 것이 가능하다는 것을 주목하여야 한다. 이러한 형태의 예측은 본 출원인에 의해 시판되는 Vitek® 2 platform으로의 항생제 민감성을 수행하기 위한 소모품들의 선택에 특히 유용하다.
C.1.3. 계통수
도 7b에 나타내고 그리고 관계식 (7)들을 사용하여 수득되는 모델(100), 모델(102), 모델(104)들에 대한 BCR들을 표 5에 요약하였다.
C.2. TSA 결과들
C.2.1. 평면 모델
하기 표 6에는 도 7a에 나타낸 평면 예측 모델에 대한 그리고 관계식 (7)들을 사용하여 수득된 예측 모델들에 대한 BCR들이 주어지고 있다.
C.2.2. 최적 트리
도 7c에 나타내고 그리고 관계식 (7)들을 사용하여 수득되는 모델(110), 모델(112), 모델(114)들에 대한 BCR들을 표 7에 요약하였다.
최적 트리가 계통수와 유의미하게 다르며, COS 배지의 영향이 계통적 차이들의 영향 보다 더 클 가능성이 높다는 것은 주목하여야 한다.
도 7c에 나타내었고 그리고 각 모델에 대하여 R = 24로 도 5의 점진적 접근법 및 관계식 (6)들을 사용하여 수득된 모델(110), 모델(112), 모델(114)들에 대한 BCR들이 표 8에 요약되었다.
도 15 내지 도 17들은 동일한 그래프로(도 15), 제1 모델(110), 제2 모델(112) 및 제3 모델(114)들에 대하여 12개, 8개 그리고 11개의 채널들로의 간명 접근법(parsimonious approach)으로(도 16) 그리고 모델로(도 17) 주요 브랜치 채널들의 스펙트럼 분포를 설명하고 있다.
C.2.3. 계통수
도 7b에 나타내고 그리고 관계식 (7)들을 사용하여 수득되는 모델(100), 모델(102), 모델(104)들에 대한 BCR들을 표 9에 요약하였다.
도 7b에 나타내었고 그리고 각 모델에 대하여 R = 24로 도 4의 점진적 접근법 및 관계식 (6)들을 사용하여 수득된 모델(100), 모델(102), 모델(104)들에 대한 BCR들이 표 10에 요약되었다.
도 18 내지 도 20은, 모델별로, 이들 도면들 각각의 상부에 TSA 배지에 대하여 그리고 도면들 각각의 바닥에 COS 배지와의 비교로 주요 스펙트럼 채널들의 스펙트럼 분포를 나타내고 있다.
Claims (27)
- 박테리아 균주의 그램 타입 및 발효성 특성을 검출하는 방법으로서,
- 파장 범위 390 ㎚ 내지 900 ㎚에서 자연적인 전자기 반응을 갖는 균주의 적어도 하나의 박테리아를 상기 파장 범위에서 조사하는 단계;
- 상기 파장 범위에서, 상기 조사된 박테리아로부터 반사되거나 투과된 광도를 획득하는 단계;
- 상기 파장 범위에서 획득된 광도의 함수로서 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 단계;를 포함하는, 검출 방법. - 제1항에 있어서,
상기 그램 타입 및 발효성 특성을 결정하는 단계는, 획득된 광도가 발효성의 그램-음성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하는 것을 포함하는, 검출 방법. - 제1항 또는 제2항에 있어서,
상기 그램 타입 및 발효성 특성을 결정하는 단계는, 획득된 광도가 그램-양성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하거나 또는 획득된 광도가 그램-음성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하는 것을 포함하는, 검출 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 그램 타입 및 발효성 특성을 결정하는 단계는, 획득된 광도가 효모, 또는 효모로부터 박테리아 균주를 구별하는 미생물학적 시험의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제2항에 있어서,
- 조사 및 획득은, 박테리아 균주의 콜로니 및 상기 콜로니가 성장하는 영양 배지를 포함하는 샘플에 대하여 직접적으로 수행되고, 상기 영양 배지는 혈액 한천(blood agar), 특히 콜럼비아 양 혈액이고;
- 획득된 광도가 발효성 그램-음성 박테리아 균주의 광도가 아닌 경우, 상기 그램 타입 및 발효성 특성을 결정하는 단계는 획득된 광도가 그램-양성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제5항에 있어서,
획득된 광도가 그램-양성 박테리아 균주의 광도가 아닌 경우, 상기 그램 타입 및 발효성 특성을 결정하는 단계는 획득된 광도가 효모의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제6항에 있어서,
- 획득된 광도가 그램-음성이고 발효성인 박테리아 균주의 광도인지 여부를 예측하는 분류는, 그램-음성이고 비-발효성인 박테리아 균주, 그램-양성 박테리아 균주, 및 효모로 이루어진 군의 광도(luminous intensity)로부터 그램-음성이고 발효성인 박테리아 균주의 광도를 구별하는 분류이고;
- 획득된 광도가 그램-양성 박테리아 균주의 광도인지 여부를 예측하는 분류는, 음성이고 비-발효성 박테리아 균주 및 효모로 이루어진 군의 광도로부터 그램-양성 박테리아 균주의 광도를 구별하는 분류이며;
- 획득된 광도가 효모의 광도인지 여부를 예측하는 분류는, 그램-음성 및 비-발효성 박테리아 균주로 이루어진 군의 광도로부터 효모의 광도를 구별하는 분류인, 검출 방법. - 제4항에 있어서,
획득된 광도가 효모의 광도가 아닌 경우, 상기 그램 타입 및 발효성 특성을 결정하는 단계는, 획득된 광도가 그램-양성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제8항에 있어서,
획득된 광도가 그램-양성 박테리아 균주의 광도가 아닌 경우, 상기 그램 타입 및 발효성 특성을 결정하는 단계는, 광도가 발효성 그램-음성 박테리아 균주 또는 비-발효성 그램-음성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제9항에 있어서,
- 획득된 광도가 효모의 광도인지 여부를 예측하는 분류는, 그램-양성 박테리아 균주, 그램-음성이고 비-발효성인 박테리아 균주, 및 그램-음성이고 발효성인 박테리아 균주로 이루어진 군의 광도로부터 효모의 광도를 구별하는 분류이고;
- 광도가 그램-양성 박테리아 균주의 광도인지 여부를 예측하는 분류는, 그램-음성이고 비-발효성인 박테리아 균주 및 그램-음성이고 발효성인 박테리아 균주의 조합의 광도로부터 그램-양성 박테리아 균주의 광도를 구별하는 분류이며;
- 광도가 발효성 그램-음성 박테리아 균주 또는 비-발효성 그램-음성 박테리아 균주의 광도인지의 분류는, 그램-음성이고 발효성인 박테리아 균주로 이루어진 군의 광도로부터 그램-음성 비-발효성 박테리아 균주의 광도를 구별하는 분류인; 검출 방법. - 제3항에 있어서,
- 조사 및 획득은 박테리아 균주의 콜로니 및 상기 콜로니가 성장하는 영양 배지를 포함하는 샘플에 대하여 직접적으로 수행되고, 상기 영양 배지는 트립톤-콩 한천(Tryptone-Soy agar)이고;
- 획득된 광도가 그램-양성 박테리아 균주의 광도가 아닌 경우, 상기 그램 타입 및 발효성 특성의 결정이 획득된 광도가 효모의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제11항에 있어서,
획득된 광도가 효모의 광도가 아닌 경우, 그램 타입 및 발효성 특성을 결정하는 단계는, 광도가 발효성 그램-음성 박테리아 균주 또는 비-발효성 그램-음성 박테리아 균주의 광도인지 여부를 예측하는 분류를 적용하는 것을 더 포함하는, 검출 방법. - 제12항에 있어서,
- 광도가 그램-양성 박테리아 균주의 광도인지 여부를 예측하는 분류는, 그램-음성이고 비-발효성인 박테리아 균주, 그램-음성이고 발효성인 박테리아 균주, 및 효모로 이루어진 군의 광도로부터 그램-양성 박테리아 균주의 광도를 구별하는 분류이고;
- 획득된 광도가 효모의 광도인지 여부를 예측하는 분류는, 음성이고 비-발효성인 박테리아 균주, 및 음성이고 발효성인 박테리아 균주로 이루어진 군의 광도로부터 효모의 광도를 구별하는 분류이며;
- 광도가 발효성 그램-음성 박테리아 균주 또는 비-발효성 그램-음성 박테리아 균주의 광도인지의 분류는, 그램-음성이고 발효성인 박테리아 균주로 이루어진 군의 광도로부터 그램-음성이고 비-발효성인 박테리아 균주의 광도를 구별하는 분류인, 검출 방법. - 제2항 내지 제13항 중 어느 한 항에 있어서,
각 분류는, 범위 390 ㎚ 내지 900 ㎚에서의 초스펙트럼 영상들로부터, 미리 정해진 정밀도 문턱값 또는 미리 정해진 최대 수의 채널들에 도달될 때까지 분류에서 사용되는 스펙트럼 채널들의 세트를 점진적으로 증가시키는 것으로 이루어지는 접근법에 따라 학습되는, 검출 방법. - 제2항에 있어서,
제1 분류는, 파장 범위 470 ㎚ 내지 500 ㎚, 및 파장 범위 575 ㎚ 내지 645 ㎚ 만의 광도들 간을 구별하는, 검출 방법. - 제3항에 있어서,
제2 분류는, 파장 범위 535 ㎚ 내지 675 ㎚, 및 파장 범위 850 ㎚ 내지 875 ㎚ 만의 함수로서 광도들 간을 구별하는, 검출 방법. - 제5항 내지 제7항 중 어느 한 항에 있어서,
제2 분류는, 파장 범위 415 ㎚ 내지 500 ㎚, 및 파장 범위 535 ㎚ 내지 675 ㎚ 만에 따른 광도들 간을 구별하는, 검출 방법. - 제1항 내지 제17항 중 어느 한 항에 있어서,
광도가 24개 이하의 수의 스펙트럼 채널들에서 획득되는, 검출 방법. - 제5항 내지 제7항 중 어느 한 항에 있어서,
광도가 제1 분류 및 제2 분류 각각에 대하여 5개 이하, 바람직하게는 4개 이하의 수의 스펙트럼 채널들에서 획득되는, 검출 방법. - 제1항 내지 제19항 중 어느 한 항에 있어서,
광도의 획득은, 균주의 박테리아의 콜로니의 초스펙트럼 또는 다스펙트럼 영상들의 획득을 포함하고,
광도는 콜로니에 대응하는 상기 영상의 적어도 하나의 픽셀의 함수로서 결정되는, 결정 방법. - 제20항에 있어서,
상기 그램 타입 및 발효성 특성을 결정하는 단계는, 콜로니의 픽셀들의 세트의 각 픽셀의 광도의 함수로서 실행되고,
상기 그램 타입 및 발효성 특성은, 상기 제1 검출들의 결과들의 다수결로 결정되는, 검출 방법. - 제21항에 있어서,
상기 다수결은, 70% 이상의 픽셀 표결(pixel vote) 또는 단순 다수결인, 검출 방법. - 항생제에 대한 박테리아 균주의 항생제 민감성을 형성하는 방법으로서,
- 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 단계;
- 박테리아 균주, 배양 배지 및 그램 타입과 선택된 발효성 특성의 함수로서 일 농도의 항생제를 포함하는 적어도 하나의 샘플을 제공하는 단계;
- 샘플 중의 상기 균주의 성장의 함수로서 항생제에 대한 박테리아 균주의 민감도를 결정하는 단계;를 포함하고,
상기 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 단계는, 제1항 내지 제22항 중 어느 한 항에 따른 검출 방법에 따라 실행되는, 방법. - 항생제에 대한 박테리아 균주를 식별하는 방법으로서,
- 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 단계;
- 그램 타입 및 선택된 발효성 특성에 따라 적어도 하나의 비색 배지를 선택하는 단계;
- 상기 배지에서 박테리아 균주를 배양하는 단계;을 포함하고,
상기 박테리아 균주의 그램 타입 및 발효성 특성을 결정하는 단계는, 제1항 내지 제22항 중 어느 한 항에 따른 검출 방법에 따라 실행되는, 방법. - 박테리아 균주의 그램 타입 및 발효성 특성을 검출하는 시스템으로서,
- 파장 범위 390 ㎚ 내지 900 ㎚에서 균주의 적어도 하나의 박테리아를 조사하도록 구성되는 조사원;
- 390 ㎚ 내지 900 ㎚ 범위에서, 상기 조사된 박테리아로부터 반사되거나 투과된 광도를 획득하도록 구성되는 센서; 및
- 390 ㎚ 내지 900 ㎚ 범위에서 획득된 광도의 함수로서 박테리아 균주의 그램 타입 및 발효성 특성을 결정하도록 구성되는 컴퓨터 유닛;을 포함하는, 시스템. - 제25항에 있어서,
제2항 내지 제22항 중 어느 한 항에 따른 검출 방법을 실행하도록 구성되는, 시스템. - 제25항 또는 제26항에 있어서,
상기 균주의 박테리아의 콜로니 및 상기 콜로니가 성장하는 영양 배지를 포함하는 샘플, 특히 페트리 접시(Petri dish)를 조사하고, 그 영상을 획득하도록 구성되는, 시스템.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1762814A FR3075825B1 (fr) | 2017-12-21 | 2017-12-21 | Procede et systeme d'identificationdu type de gram d'une bacterie |
FR1762814 | 2017-12-21 | ||
PCT/FR2018/053434 WO2019122732A1 (fr) | 2017-12-21 | 2018-12-20 | Procede et systeme d'identification du type de gram d'une bacterie |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200100790A true KR20200100790A (ko) | 2020-08-26 |
Family
ID=62222761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020207021133A KR20200100790A (ko) | 2017-12-21 | 2018-12-20 | 박테리아의 그램 타입을 식별하는 방법 및 시스템 |
Country Status (7)
Country | Link |
---|---|
US (1) | US12006529B2 (ko) |
EP (1) | EP3728623A1 (ko) |
JP (1) | JP7534955B2 (ko) |
KR (1) | KR20200100790A (ko) |
CN (1) | CN111492065A (ko) |
FR (1) | FR3075825B1 (ko) |
WO (1) | WO2019122732A1 (ko) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3075824B1 (fr) | 2017-12-21 | 2022-01-14 | Biomerieux Sa | Procede d'identification d'une levure ou d'une bacterie |
FR3103900B1 (fr) * | 2019-11-29 | 2024-07-19 | Univ Du Mans | Méthode d'identification rapide de microorganismes par analyse de matrices excitation-émission |
CN112229808A (zh) * | 2020-09-21 | 2021-01-15 | 佛山国防科技工业技术成果产业化应用推广中心 | 一种基于多光谱技术的食品微生物检测装置及检测方法 |
FR3129406A1 (fr) | 2021-11-24 | 2023-05-26 | Biomerieux | Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4512660A (en) | 1983-04-14 | 1985-04-23 | The United States Of America As Represented By The Secretary Of The Navy | Picosecond broadband cars probe using the picosecond continuum |
JP3749933B2 (ja) | 1993-05-14 | 2006-03-01 | スリーエム カンパニー | 微生物増殖の迅速な定量化の方法 |
JP2001272399A (ja) | 2000-01-21 | 2001-10-05 | Wako Pure Chem Ind Ltd | 多項目試験具その製造方法及び試験具測定装置 |
ES2329986T3 (es) | 2001-09-06 | 2009-12-03 | Rapid Micro Biosystems Inc | Deteccion rapida de celulas en replicacion. |
US20070279629A1 (en) | 2004-01-07 | 2007-12-06 | Jacob Grun | Method and apparatus for identifying a substance using a spectral library database |
US7880876B2 (en) | 2004-10-21 | 2011-02-01 | University Of Georgia Research Foundation, Inc. | Methods of use for surface enhanced raman spectroscopy (SERS) systems for the detection of bacteria |
GB0611289D0 (en) | 2006-06-08 | 2006-07-19 | Univ St Andrews | Raman spectroscopy |
US8512975B2 (en) | 2008-07-24 | 2013-08-20 | Biomerieux, Inc. | Method for detection and characterization of a microorganism in a sample using time dependent spectroscopic measurements |
US8647835B2 (en) | 2008-10-31 | 2014-02-11 | BIO MéRIEUX, INC. | Methods for separation, characterization and/or identification of microorganisms using spectroscopy |
WO2010062356A1 (en) | 2008-10-31 | 2010-06-03 | Biomerieux, Inc. | Methods for separation, characterization and/or identification of microorganisms using spectroscopy |
BRPI0919861A2 (pt) | 2008-10-31 | 2017-04-04 | Bio Merieux Inc | metodos para a separacao, caracterizacao e/ou identificacao de micro-organismos por espectroscopia raman |
BRPI0922952B8 (pt) | 2008-12-16 | 2021-07-27 | Bio Merieux Inc | métodos de detectar e identificar um microorganismos em meios sólidos ou semi-sólidos |
JP2012526996A (ja) * | 2009-05-15 | 2012-11-01 | ビオメリュー・インコーポレイテッド | 試料内の微生物因子の迅速な同定および/または特徴付けのためのシステムおよび方法 |
US8666673B2 (en) | 2010-05-14 | 2014-03-04 | Biomerieux, Inc | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification |
WO2013093913A1 (en) * | 2011-12-19 | 2013-06-27 | Opticul Diagnostics Ltd. | Spectroscopic means and methods for identifying microorganisms in culture |
GB201403376D0 (en) | 2014-02-26 | 2014-04-09 | Univ Manchester | A method of analysing a sample including a microorganism of interest |
JP6769949B2 (ja) * | 2014-07-24 | 2020-10-14 | ユニバーシティー ヘルス ネットワーク | 診断目的のためのデータの収集および解析 |
BR112017018259B1 (pt) | 2015-02-27 | 2023-11-28 | Mastaplex Limited | Método para realizar um teste de suscetibilidade antimicrobiana e kit de teste |
CN105651679A (zh) | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
EP3257947B1 (fr) | 2016-06-16 | 2018-12-19 | Biomérieux | Procede et systeme d'identification du type de gram d'une bacterie |
EP3915488A1 (en) | 2016-08-30 | 2021-12-01 | Outsense Diagnostics Ltd. | Bodily emission analysis |
US10345242B2 (en) | 2016-11-08 | 2019-07-09 | B&W Tek Llc | Reverse intensity correction for Raman spectral library search |
FR3075824B1 (fr) | 2017-12-21 | 2022-01-14 | Biomerieux Sa | Procede d'identification d'une levure ou d'une bacterie |
WO2019183136A1 (en) | 2018-03-20 | 2019-09-26 | SafetySpect, Inc. | Apparatus and method for multimode analytical sensing of items such as food |
-
2017
- 2017-12-21 FR FR1762814A patent/FR3075825B1/fr active Active
-
2018
- 2018-12-20 US US16/772,402 patent/US12006529B2/en active Active
- 2018-12-20 CN CN201880082258.7A patent/CN111492065A/zh active Pending
- 2018-12-20 EP EP18842787.6A patent/EP3728623A1/fr active Pending
- 2018-12-20 JP JP2020533214A patent/JP7534955B2/ja active Active
- 2018-12-20 KR KR1020207021133A patent/KR20200100790A/ko not_active Application Discontinuation
- 2018-12-20 WO PCT/FR2018/053434 patent/WO2019122732A1/fr unknown
Also Published As
Publication number | Publication date |
---|---|
US20210079441A1 (en) | 2021-03-18 |
JP2021506288A (ja) | 2021-02-22 |
JP7534955B2 (ja) | 2024-08-15 |
CN111492065A (zh) | 2020-08-04 |
FR3075825B1 (fr) | 2022-01-21 |
FR3075825A1 (fr) | 2019-06-28 |
WO2019122732A1 (fr) | 2019-06-27 |
EP3728623A1 (fr) | 2020-10-28 |
US12006529B2 (en) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12006529B2 (en) | Method and system for identifying the gram type of a bacterium | |
JP7561618B2 (ja) | 酵母または細菌を識別するための方法 | |
EP2497823B1 (en) | Device for harvesting bacterial colony and method therefor | |
CN104903914B (zh) | 用于定义细胞培养皿中感兴趣的对象周围的隔离区的方法 | |
Croxatto et al. | Towards automated detection, semi-quantification and identification of microbial growth in clinical bacteriology: a proof of concept | |
CN101981430B (zh) | 生物生长培养基的光谱分析 | |
JP6872566B2 (ja) | 細菌のグラムタイプを特定するためのプロセス及びシステム | |
CN103748452A (zh) | 生物成像方法和系统 | |
US20080102487A1 (en) | Method and apparatus for non-invasive rapid fungal specie (mold) identification having hyperspectral imagery | |
Yoon et al. | Differentiation of big-six non-O157 Shiga-toxin producing Escherichia coli (STEC) on spread plates of mixed cultures using hyperspectral imaging | |
US10184144B2 (en) | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification | |
CN106574224B (zh) | 用于检测生物粒子的存在或缺失的方法 | |
Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
EP2569732B1 (en) | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification | |
Peng et al. | Prediction of pork meat total viable bacteria count using hyperspectral imaging system and support vector machines | |
Midahuen et al. | Direct and label-free gram classification of bacterial colonies on agar using hyperspectral imaging | |
CN118339308A (zh) | 确定微生物对抗微生物剂易感性的方法 | |
CN116046698A (zh) | 马铃薯检测方法、装置、设备、存储介质及程序产品 | |
Wei | A machine vision-based in situ probe for automated on-line measurement of cell density and viability by dark field microscopy, image processing and pattern recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal |