权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

ナノポア技術と機械学習を用いた新たな微生物迅速診断検査系の確立

利用纳米孔技术和机器学习建立新型微生物快速诊断测试系统

基本信息

批准号：
21K09073
负责人：
吉村旬平
金额：
$ 2.66万
依托单位：
Osaka University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

ナノポア技術は、直径100nmから10μmの貫通孔を通過する1個の粒子のイオン電流―時間波形を計測する技術である。イオン電流―時間波形は、粒子の体積、形態、表面電荷の情報を持つため、波形パターンの機械学習により、微生物を高精度に検出する検査系への応用が期待されている。本研究では、ナノポア技術と機械学習の融合システムを用いて、短時間で高精度に微生物（ウイルス・細菌）を検出する検査系の確立することを目標に、以下の2点に焦点を当てる。① 培養細菌を用いたイオン電流―時間波形でナノポアによる細菌の検出が可能であることを明らかにする。② 感染症患者の臨床検体を用いて、ナノポアで原因微生物（ウイルス・細菌）の検出を行い、point-of-care testingとして原因微生物を迅速に同定できるかを明らかにする。令和4年度は、①前年度に収集した菌株のパルス波形を用いて識別器を作成、②臨床検体におけるパルスの測定を行った。前年度に収集したパルス情報から、E.coli、K.pneimoniae、Ps.aeruginosaを85%から90%の精度で識別できる識別器の作成に成功した。今後、識別器の精度をvalidation cohortを用いて検証する予定である。また、臨床検体として収集された細菌尿を用いた、臨床検体におけるパルス測定においては、測定する尿検体の前処理を濃度や強雑物除去の工程を何段階かに設定して、テストし、イオン電流-時間波形が収集できる設定が存在することを確認した。現時点では、臨床検体はモジュールの孔が閉塞することが多く、プロトコルの最適化のために条件の再調整を要する。培養検体を用いた識別器の作成が完了しており、順調な進捗である

The technology of measuring the current-time waveform of a particle passing through a through-hole with a diameter of 100nm or 10μm. Current and time waveform, particle volume, morphology, surface charge information, waveform, mechanical learning, microbial detection with high accuracy, and system detection are expected to be used. This study aims to establish a system for detecting microorganisms (bacteria) with high accuracy in a short time by using a combination of technology and machine learning. The following two points are focused on: 1. Culturing bacteria: current and time waveforms are used to detect bacteria. 2. Detection and point-of-care testing of pathogenic microorganisms in patients with infectious diseases In the fourth year,(1) the strain waveform collected in the previous year was generated by the identifier, and (2) the strain waveform was determined by the clinical sample. In the previous year, the identification of E.coli, K. pneumoniae and Ps.aeruginosa was successfully completed with an accuracy of 85% and 90%. In the future, the accuracy of the identifier is determined by the validation cohort. Clinical samples are collected for bacterial urine use. Clinical samples are collected for measurement. Urine samples are collected for pre-treatment, concentration, and removal of contaminants. At present, the clinical model has to be adjusted again to optimize the conditions of the patient. The creation of the recognizer for the use of the training model is complete, and the process is progressing smoothly.