一种用于鉴别与定量多元细菌的表面增强拉曼光谱方法技术

本发明专利技术提供了一种用于鉴别与定量多元细菌的表面增强拉曼光谱方法，包括如下步骤和方法：(1)对多元菌纳米溶液进行拉曼光谱测定，对得到的光谱进行预处理后，使用主成分分析、偏最小二乘判别分析或正交偏最小二乘判别分析中的至少一种进行分析，对多元菌纳米溶液进行鉴别；(2)对多元菌纳米溶液进行拉曼光谱测定，对得到的光谱进行预处理后，使用偏最小二乘回归法或人工神经网络分析算法进行分析，对多元菌纳米溶液进行定量。本发明专利技术所述的表面增强拉曼光谱方法结合多元统计分析可快速实现对五种以上病原菌的判别分析；通过分别与偏最小二乘回归法、深度神经网络的结合，可同时快速对多元病原菌进行定量分析，具有分析速度快、灵敏度高等优势。敏度高等优势。敏度高等优势。

【技术实现步骤摘要】
一种用于鉴别与定量多元细菌的表面增强拉曼光谱方法


[0001]本专利技术属于细菌检测领域，尤其是涉及一种用于鉴别与定量多元细菌的表面增强拉曼光谱方法。

技术介绍

[0002]食源性疾病是我国食品安全面临的主要公共卫生问题，许多由病原菌感染或污染引起的食源性疾病都危及生命，提高病原菌检测水平是预防这类疾病的重要途径。在实际微生物污染中，往往不局限于单一病原菌，而是呈现多种病原菌混合污染的复杂局面。因此，亟需开发快速无损的多种病原菌的检测方法以有效控制细菌污染。然而，现有的微生物检测大多依赖于培养法，这种方法检测与鉴定时间较长，往往需要24
‑
72h。此外，聚合酶链式反应与酶联免疫吸附技术在多元菌的同时检测中取得了一些成果，但是仍存在检测灵敏度与干扰性的问题。近年来，基于光学的检测技术在病原菌的检测应用中取得了良好的成果，并且与多元统计分析以及深度学习算法的结合，可以提高对数据处理的通量和分析的准确性，在多元菌的鉴别和检测分析中有良好的应用前景。
[0003]表面增强拉曼光谱散射(SERS)技术是一种基于金属表面的等离子体共振激发活性基底的局域电场产生“热点”，从而使拉曼信号大大增强的光谱分析技术，因此活性金属基底的选择对SERS的产生至关重要。纳米溶胶基底制备方法成熟，使用场景灵活方便，便于大多数场景的快速检测。当病原菌与金属纳米溶胶接触后，产生的热运动使得纳米溶胶发生一定程度的聚集而形成SERS“热点”，从而便于病原菌的高灵敏检测。目前，使用多元统计分析方法驱动的SERS技术在多元菌的鉴别检测方面有一些应用，但是操作方法还比较繁琐，而在多元混合菌的鉴别分析及同时定量检测方面还鲜有应用。

技术实现思路

[0004]有鉴于此，针对混合细菌污染的实际样本中细菌含量多、定量检测难度大等问题，本专利技术提出一种适用于多元细菌同步鉴别和灵敏检测的表面增强拉曼光谱方法。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]本专利技术提供了一种用于鉴别与定量多元细菌的表面增强拉曼光谱方法，包括如下步骤和方法：
[0007](1)对多元菌纳米溶液进行拉曼光谱测定，对得到的光谱进行预处理后，使用主成分分析、偏最小二乘判别分析或正交偏最小二乘判别分析中的至少一种进行分析，对多元菌纳米溶液进行鉴别；
[0008](2)对多元菌纳米溶液进行拉曼光谱测定，对得到的光谱进行预处理后，使用偏最小二乘回归法或人工神经网络分析算法进行分析，对多元菌纳米溶液进行定量。
[0009]进一步，所述的多元菌纳米溶液包括一种或两种以上的单一菌；所述的多元菌纳米溶液中单一菌的浓度均为105‑
107CFU/mL；所述的多元菌纳米溶液中多元菌的总浓度为105‑
107CFU/mL。(所述的多元菌为两种以上的单一菌)
[0010]进一步，所述的单一菌为大肠埃希氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌、志贺氏菌、李斯特氏菌、副溶血性弧菌、铜绿假单胞菌或枯草芽孢杆菌中的至少一种。
[0011]进一步，所述的步骤(1)中的预处理步骤的方法为多元散射校正(MSC)、标准正态变量(SNV)、一阶导数(1
‑
D)、Savitzky
‑
Golay平滑(S
‑
G)或行中心化(RC)中的至少一种；优选的，对得到的光谱进行标准正态变量处理后，使用正交偏最小二乘判别分析进行分析，对多元菌纳米溶液进行鉴别。
[0012]进一步，所述的步骤(2)中的预处理步骤的方法为多元散射校正、标准正态变量、一阶导数、Savitzky
‑
Golay平滑或行中心化中的至少一种。
[0013]R2X和R2Y分别为X和Y矩阵的模型可解释率，Q2代表模型的预测能力。根据这三个参数评价模型的预测能力，从而筛选出最佳判别分析模型。
[0014]进一步，所述的步骤(2)中的偏最小二乘回归法对光谱进行模型优化；所述的模型优化的方法为变量重要性投影(VIP)、连续投影算法(SPA)或竞争性自适应重加权采样法(CARS)中的一种；所述的偏最小二乘回归法的模型评判参数为交叉验证均方根误差(RMSECV)、均方根误差(RMSE)或相关系数R2中的至少一种。误差越小越好，相关系数越高越好。交叉验证是通过K折交叉验证实现的，K＝7。但是在预测集中，同样选取均方根误差和相关系数R2作为模型评判参数，这时均方根误差没有做交叉验证。
[0015]进一步，所述的步骤(2)中的人工神经网络分析算法包括输入层、隐含层和输出层；所述的人工神经网络分析算法对隐藏层、学习率、隐藏节点数或训练回合数进行筛选来建立最优的人工神经网络定量模型；所述的隐藏层的层数为1
‑
4层；所述的学习率为0.1、0.01、0.001或0.0001；所述的隐藏节点数为16、32或48；所述的训练回合数为100、200、300、400或500；所述的筛选的方法为热图分析法，通过绘制隐藏层与学习率和隐藏节点数与训练回合数的四维热图，通过热图颜色变化找到均方根误差最小的超参数值，来建立最优的人工神经网络定量分析模型。不同对应的(RMSE)值，值越大，颜色越浅，模型效果越差。反之，颜色越深，值越小，颜色越深，模型效果误差越小，模型效果越好。运用这种方法可以便捷准确的筛选出最佳的人工神经网络算法中的超参数组合，从而找到最佳的人工神经网络模型用于细菌定量分析。需要说明的是，人工神经网络算法得出的定量模型均比偏最小二乘回归法定量模型效果好，说明这种方法在处理细菌的拉曼光谱数据时更有优势。
[0016]所述的光谱的数量大于200条，选取其中80％的光谱作为测试集样本，剩余光谱作为验证集样本用于建模分析；所述的光谱的分析处理范围为400
‑
1800cm
‑1；
[0017]所述的拉曼光谱测定的激发波长为633nm，功率为2
‑
3mW，光谱采集时间为10
‑
20s，光谱采集范围为50
‑
3500cm
‑1。
[0018]进一步，所述的多元菌纳米溶液由包括如下步骤的方法制成：将纳米胶体溶液与多元菌溶液混合，将得到的混合液滴加到金箔纸芯片上即成；所述的纳米胶体溶液与多元菌溶液的体积比为1：1；所述的纳米胶体溶液的浓度为0.02
‑
1mM。
[0019]进一步，所述的多元菌溶液由多元菌与无机盐溶液混合而成；所述的无机盐溶液的阳离子浓度为0.1
‑
1mol/L；所述的无机盐溶液由至少一种氯化物溶液与至少一种磷酸盐溶液混合而成；所述的氯化物为氯化钠或氯化钾中的至少一种；所述的磷酸盐为磷酸氢二钠、磷酸二氢钠、磷酸二氢钾或磷酸氢二钾中的至少一种；
[0020]所述的多元菌溶液由包括如下步骤的方法制成：震荡培养多元菌，37℃条件下
100
‑
250r/min培养16
‑
18小时，使用所述的无机盐溶液将得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：包括如下步骤和方法：(1)对多元菌纳米溶液进行拉曼光谱测定，对得到的光谱进行预处理后，使用主成分分析、偏最小二乘判别分析或正交偏最小二乘判别分析中的至少一种进行分析，对多元菌纳米溶液进行鉴别；(2)对多元菌纳米溶液进行拉曼光谱测定，对得到的光谱进行预处理后，使用偏最小二乘回归法或人工神经网络分析算法进行分析，对多元菌纳米溶液进行定量。2.根据权利要求1所述的用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：所述的多元菌纳米溶液包括一种或两种以上的单一菌；所述的多元菌纳米溶液中单一菌的浓度均为105‑
107CFU/mL；所述的多元菌纳米溶液中多元菌的总浓度为105‑
107CFU/mL。3.根据权利要求2所述的用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：所述的单一菌为大肠埃希氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌、志贺氏菌、李斯特菌、副溶血性弧菌、铜绿假单胞菌或枯草芽孢杆菌中的一种。4.根据权利要求1所述的用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：所述的步骤(1)中的预处理步骤的方法为多元散射校正、标准正态变量、一阶导数、Savitzky
‑
Golay平滑或行中心化中的至少一种；优选的，对得到的光谱进行标准正态变量处理后，使用正交偏最小二乘判别分析进行分析，对多元菌纳米溶液进行鉴别。5.根据权利要求1所述的用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：所述的步骤(2)中的预处理步骤的方法为多元散射校正、标准正态变量、一阶导数、Savitzky
‑
Golay平滑或行中心化中的至少一种。6.根据权利要求1所述的用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：所述的步骤(2)中的偏最小二乘回归法对光谱进行模型优化；所述的模型优化的方法为变量重要性投影、连续投影算法或竞争性自适应重加权采样法中的一种；所述的偏最小二乘回归法的模型评判参数为交叉验证均方根误差、均方根误差或相关系数中的至少一种。7.根据权利要求1所述的用于鉴别与定量多元细菌的表面增强拉曼光谱方法，其特征在于：所述的步骤(2)中的人工神经网络分析算法包括输入层、隐含层和输出层；所述的人工神经网络分析算法对隐藏层、学习率、隐藏节点数或训练回合数进行筛选来建立最优的人工神经网络定量模型；所述的隐藏层的层数为1
‑
4层；所...

【专利技术属性】
技术研发人员：王海霞，赵堉文，缪培琪，李正，
申请(专利权)人：天津中医药大学，
类型：发明
国别省市：