微生物不仅在生态系统中发挥着至关重要的作用，还参与维护肠道健康协调免疫系统的调节。然而，另一方面，某些致病微生物可能引发传染性疾病，给人类健康带来严重威胁。因此，高效的微生物检测，尤其是病原微生物的检测显得尤为重要。虽然现有的检测方法可靠且适用，但仍面临程序复杂、需要专业操作及额外的精密仪器等挑战。

为应对上述挑战，华中科技大学刘笔锋教授课题组近期在ACS Nano上发表了题为“Freeze–Thaw Imaging for Microorganism Classification Assisted with Artificial Intelligence”的研究论文。生命科学与技术学院谢寒博士和朱旭彬（生信基地21级 本科生）为共同第一作者，生命科学与技术学院刘笔锋教授、陈鹏副教授和李一伟教授为论文通讯作者。

该研究在课题组近期工作基础上（Small, 2024,2408871），首次提出一种高效经济微生物分类系统冻融诱导的金纳米颗粒（AuNPs）漂浮图案（FTFPA）形成特殊指纹，并结合人工智能技术，实现了对多种微生物的有效鉴定。具体来说，研究团队首先通过不同尺寸的AuNPs与不同浓度的微生物进行冻融反应。不同的微生物与AuNPs的相互作用产生差异，进而形成不同的FTFPA。接着，研究团队开发了高效准确的图像处理方法，通过提取图像的灰度直方图（GLH）将图像转换为数据矩阵。通过将三种AuNPs生成的FTFPA进行合并，形成特征丰富的指纹图谱，进一步提升了微生物分类的精度。

在此基础上，采用多种机器学习算法对FTFPA形成的指纹图谱进行特征学习，从而辨别图像的细微差别，成功对肠炎沙门氏菌（SEN）、粘质沙雷氏菌（SMA）、阴沟肠杆菌（ECL）、大肠杆菌（ECO）、粪肠球菌（EFA）、地衣芽孢杆菌（BLI）、单核增生李斯特菌（LMO）、金黄色葡萄球菌（SAU）和酿酒酵母菌（SCE）进行分类。与主成分分析（PCA）+线性判别分析（LDA）的串联降维模型和卷积神经网络（CNN）模型相比，随机森林（RF）模型表现出更优越的性能。

最后，为了满足不同分类场景下的可扩展性和轻量级要求，本研究根据物种分类级别构建了层次分类模型。研究结果显示，目间水平模型（n=5184）、肠杆菌目水平模型（n=2550）和芽孢杆菌目水平模型（n=1974）的宏观F1得分为0.907、0.958和0.843。

总体而言，本文提出的系统为微生物鉴定和分类提供了一个用户友好且经济高效的平台，具有广泛的临床和环境中应用潜力。

利用FTFPA进行微生物分类的流程图。FTFPA 是通过三种AuNPs与微生物之间的冻融反应生成的，并在采集明视野显微图像后构建机器学习分类模型。

层次分类模型的表征与临床数据验证。（a）分别使用三个分类级别的数据评估训练模型的分类效果。（b）层次分类方法的分类模型综合评估。（c）临床微生物样本处理与模型验证的流程图。（d）三种目标微生物的模型预测结果。（e）临床样本中层次分类模型验证的热图。“其他”表示模型预测结果不在该批次临床样本标签中的微生物群体。（f）层次分类模型验证的三种微生物物种的ROC图。

论文链接：https://pubs.acs.org/doi/10.1021/acsnano.4c16949