Antibiyotik dirençli ve duyarlı bakterilerin yüzeyde zenginleştirilmiş raman spektroskopisi ve makine öğrenmesi teknikleri ile tespiti ve sınıflandırılması
Detection and classification of antibiotic resistant and susceptible bacteria by surface enhanced raman spectroscopy and machine learning techniques
- Tez No: 688301
- Danışmanlar: PROF. DR. MAHMUT TOKMAKÇI, DR. ÖĞR. ÜYESİ ÖMER AYDIN
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Biyomühendislik, Engineering Sciences, Bioengineering
- Anahtar Kelimeler: YZRS, makine öğrenmesi, derin öğrenme, antibiyotik direnci, metisilin, S. aureus, kolistin, K. pneumoniae, SERS, machine learning, deep learning, antibiotic resistance, methicillin, S. aurues, colistin, K. pneumoniae
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Antimikrobiyal dirençteki artış, son yıllarda dünya çapında büyüyen bir sorun haline gelmiştir. Antimikrobiyal direnç gelişimine neden olan iki ana faktör, antibiyotiklerin aşırı ve yanlış kullanımıdır. Bakterilerin hızlı ve güvenilir bir şekilde tanımlanması, bulaşıcı hastalıkları azaltacak ve antimikrobiyal dirençle mücadeleye yardımcı olacaktır. Bakteriyel enfeksiyonları teşhis etmek için mevcutta kullanılan, geleneksel yöntemler zaman alıcıdır, eğitimli personel gerektirir ve karmaşık numune hazırlama süreci içerir. Bu nedenle, bakterileri teşhis etmek için hızlı ve güvenilir tekniklere ihtiyaç vardır. Bu çalışmada, antibiyotiğe dirençli ve duyarlı bakterileri ayırt etmek için yüzeyde zenginleştirilmiş Raman spektroskopisi (YZRS) ve makine öğrenmesi teknikleri kullanılmıştır. Çalışma kapsamında antibiyotiğe dirençli ve duyarlı iki ayrı bakteri tespit edilmiştir. İlk olarak, metisilin dirençli Staphylococcus aureus (MRSA) ve metisilin duyarlı S. aureus (MSSA) bakterilerinin tespiti YZRS ve klasik makine öğrenmesi teknikleri ile %97,8'lik sınıflandırma doğruluğu elde edilmiştir. Ardından MRSA ve MSSA'ya ait toplanan YZRS spektrum sayıları arttırılarak derin sinir ağları ile sınıflandırma gerçekleştirildiğinde sınıflar %97,6 doğruluk ile sınıflandırılmıştır. Ayrıca bu model, 0.99'luk bir eğri altındaki alan (AUC) değeri ile bakterileri ayırt etmiştir. Son olarak, kolistin dirençli Klebsiella pneumoniae ve kolistin duyarlı K. pneumoniae, YZRS ve klasik makine öğrenmesi teknikleri kullanılarak %90,1 doğruluk ile sınıflandırılmıştır. Elde edilen sonuçlar, makine öğrenimi ile birlikte YZRS'nin antibiyotik dirençli ve duyarlı bakterilerin tespiti için umut vaadedici bir araç olduğunu göstermiştir.
Özet (Çeviri)
An increase in antimicrobial resistance has become a growing worldwide problem in recent years. The two main factors that caused the development of antimicrobial resistance are overuse and misuse of antibiotics. Rapid and reliable identification of bacteria will decrease infectious diseases and help combat antimicrobial resistance. The current, conventional methods for diagnosing bacterial infections are time-consuming, required trained analysts, and include complex sample preparation process. Therefore, a need exists for rapid and reliable techniques to diagnose of bacteria. In this study, surface-enhanced Raman spectroscopy (SERS) and machine learning techniques were used to discriminate antibiotic-resistant and susceptible bacteria. Within the scope of the study, two separate antibiotic-resistant and sensitive bacteria were detected. Firstly, detection of methicillin-resistant Staphylococcus aureus (MRSA) and methicillin-susceptible S. aureus (MSSA) bacteria was achieved with SERS and classical machine learning techniques, with a classification accuracy of 97.8%. Then, the number of collected MRSA and MSSA SERS spectra were increased and classification was performed with deep neural networks, the classes were classified with 97.6% accuracy. Moreover, the model discriminates bacteria with an area under curve (AUC) of 0.99. Finally, colistin-resistant Klebsiella pneumoniae and colistin-susceptible K. pneumoniae bacteria were also classified using SERS and classical machine learning techniques with 90.1% accuracy. The obtained results show that SERS together with machine learning is a promising tool to detect antibiotic resistant and susceptible bacteria.
Benzer Tezler
- Vankomisine dirençli enterokokların önemli hastane yüzeylerinde canlı kalabilme süreleri ve acinetobacter baumannii izolatları ile etkileşimlerinin araştırılması
Survival time of vacomycin resistant enterococcus on important hospital surfaces and investigate the interaction with acinebacter baumannii strains
VİLDAN BİLGİÇ
Yüksek Lisans
Türkçe
2005
Mikrobiyolojiİstanbul ÜniversitesiMikrobiyoloji ve Klinik Mikrobiyoloji Ana Bilim Dalı
PROF.DR. KEMAL ALTAŞ
- Staphylococcus aureus suşlarında virülans faktörlerin araştırılması
Investigation of virulence factors in Staphylococcus aureus strains
NESLİHAN CİHANOĞLU
Yüksek Lisans
Türkçe
2018
Mikrobiyolojiİstanbul ÜniversitesiTıbbi Mikrobiyoloji Ana Bilim Dalı
DOÇ. DR. YAŞAR NAKİPOĞLU
- Carbon nanotube based hybrıd nanostructures as photothermal antımıcrobıal nanomaterıals
Karbon nanotüp tabanli hi̇bri̇t nanoyapilarin fototermal anti̇mi̇krobi̇yal nanomalzemeler olarak kullanimi
BETÜL ORUÇ
- The synergistic and cytotoxic effect of biologically synthesized copper nano particles and antibiotics combination on resistant staphylococcus aureus isolated from different sources
Farklı kaynaktan izole dirençli staphylococcus aureus üzerinde biyolojik olarak sentezlenen bakır nano parçacıkları ve antibiyotik kombinasyonunun sinerjistik etkisi ve sitotoksisi
ZAHRAA HAMEED KADHIM KADHIM
Yüksek Lisans
İngilizce
2023
BiyolojiÇankırı Karatekin ÜniversitesiBiyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLKER ŞİMŞEK
- Metisiline duyarlı ve dirençli Staphylococcus aureus standart suşlarının farklı florokinolonların subminimal inhibitör konsantrasyonlarında bazı patojenite kriterlerinin kinetiği
The kinetics of some pathogenicity criteriase of susceptible and methicillin resistant S. aureus strains against subminimal inhibitory concentrations of different fluoroquinolones
BÜLENT SARI
Tıpta Uzmanlık
Türkçe
2005
MikrobiyolojiDokuz Eylül ÜniversitesiMikrobiyoloji ve Klinik Mikrobiyoloji Ana Bilim Dalı
Y.DOÇ.DR. HÜSEYİN BASKIN