Vattenburna sjukdomar drabbar mer än 2 miljarder människor världen över, orsakar en betydande ekonomisk börda. Till exempel, behandlingen av vattenburna sjukdomar kostar mer än 2 miljarder dollar årligen bara i USA, med 90 miljoner registrerade fall per år. Bland vattenburna patogenrelaterade problem, en av de vanligaste folkhälsoproblemen är närvaron av totala koliforma bakterier och Escherichia coli ( E coli ) i dricksvatten, vilket tyder på fekal kontaminering. Traditionella kulturbaserade bakteriedetektionsmetoder tar ofta 24-48 timmar, följt av visuell inspektion och koloniräkning av en expert, enligt riktlinjerna från United States Environmental Protection Agency (EPA). Alternativt molekylära detektionsmetoder baserade på, till exempel, amplifiering av nukleinsyror, kan minska upptäcktstiden till några timmar, men de saknar i allmänhet känsligheten för att upptäcka bakterier i mycket låga koncentrationer, och kan inte skilja mellan levande och döda mikroorganismer. Vidare, det finns ingen EPA-godkänd nukleinsyrabaserad metod för att detektera koliforma bakterier i vattenprover.

Därför, det finns ett akut behov av en automatiserad metod som kan uppnå snabb och hög genomströmning av bakteriekolonidetektering med hög känslighet för att tillhandahålla ett kraftfullt alternativ till de för närvarande tillgängliga EPA-godkända guldstandardmetoderna som tar minst 24 timmar och kräver en expert för koloniräkning.

I en ny tidning publicerad i Ljus:Vetenskap och applikationer , ett team av forskare, ledd av professor Aydogan Ozcan från avdelningen för el- och datateknik vid University of California, Los Angeles (UCLA), U.S., och medarbetare har utvecklat ett AI-drivet smart bildsystem för tidig upptäckt och klassificering av levande bakterier i vattenprover. Baserat på holografi, de designade ett mycket känsligt bildsystem med hög genomströmning, som kontinuerligt fångar mikroskopiska bilder av en hel odlingsplatta, där bakterier växer, att snabbt upptäcka kolonitillväxt genom att analysera dessa time-lapse-bilder med ett djupt neuralt nätverk. Efter upptäckten av varje kolonitillväxt, ett andra neuralt nätverk används för att klassificera typen av bakterier.

Effektiviteten av denna unika plattform demonstrerades genom att utföra tidig upptäckt och klassificering av tre typer av bakterier, dvs. E coli , Klebsiella aerogenes ( K. aerogenes ), och Klebsiella pneumoniae ( K. pneumoniae ), och UCLA-forskarna uppnådde en detektionsgräns på 1 kolonibildande bakterie per 1 liter vattenprov under 9 timmars total testtid, visar en tidsbesparing på mer än 12 timmar för bakteriedetektering jämfört med guldstandard-EPA-metoderna. Dessa resultat belyser den transformativa potentialen hos denna AI-drivna holografiska bildplattform, vilket inte bara möjliggör högkänsliga, snabb och kostnadseffektiv upptäckt av levande bakterier, men ger också ett kraftfullt och mångsidigt verktyg för mikrobiologisk forskning.