群集是细菌通过鞭毛和表面活性剂促进的主要运动形式之一。它在疾病和愈合过程中都起着独特的作用。例如，在尿路感染（UTI）中，群集细菌可以积极地迁移到组织表面，从而加剧感染的传播和严重程度。相反，在炎症性肠病（IBD）中，某些群集微生物已被证明可以促进肠道黏膜修复。
这些对比作用突显了检测群集细菌作为诊断和监测各种疾病的生物标志物的潜在价值。
虽然群集和游泳都是由鞭毛驱动的，但它们代表了根本不同的行为。游泳涉及单个细菌在液体环境中独立移动，而群集则是在半固体表面上的协调群体运动，借助表面活性剂使细菌群体能够一致移动。
为了详细研究这些行为，研究人员通常会在细菌菌落边缘放置由软聚合物制成的小圆形井。在光学显微镜下，群集细菌显示出一个大的单一漩涡，该漩涡在整个井中循环。相比之下，游泳细菌产生多个小而无序的局部漩涡——就像散乱的漩涡没有特定的方向移动。
传统上，区分这些运动模式需要视频记录和专家视觉检查，这限制了其可扩展性和准确性。
在最近的一项由加州大学洛杉矶分校（UCLA）的Aydogan Ozcan教授和爱因斯坦医学院的Sridhar Mani教授领导的研究中，研究人员介绍了一种基于深度学习的方法，可以从单张模糊显微镜图像中自动检测细菌群集。该论文发表在《肠道微生物》杂志上。
这种自动化方法消除了手动专家视频分析的需要，使其更快更准确。这尤其适用于高通量应用，并提供了客观的定量读数。
通过使用单张长时间曝光图像，将随时间变化的运动编码为空间模糊图案，这种方法消除了对高帧率视频捕获的需求，使其在资源有限的环境中更加可行和实用。
通过对数千张对应于某种细菌菌株的显微镜图像进行训练，团队开发了一个神经网络，能够以非常高的准确性区分群集和游泳的特征运动模式——达到了97.44%的敏感性和100%的特异性。
值得注意的是，分类器不仅在用于训练的细菌菌株上表现良好，而且在完全不同的细菌类型上也具有良好的泛化能力，无需重新训练网络，保持了超过96%的敏感性和特异性。
这种基于AI的细菌群集检测方法代表了诊断微生物学应用的重大进步。未来的工作将集中在评估该方法在各种条件下的性能，包括含有混合细菌种群的复杂环境。
由于其自动读出和简单的成像硬件，这种方法还有望与基于智能手机的成像设备集成——实现便携、现场和非侵入性的细菌群集检测。
(全文结束)
