Deep Learning Bantu Peneliti Identifikasi Bakteri dalam Hitungan Detik

Ilustrasi Machine Learning, Deep Learning, Artificial Intelligence, Kecerdasan Buatan. Kredit: Mohamed Hassan via Pixabay

Liputan6.com, Jakarta - Identifikasi bakteri umumnya dapat memakan waktu berjam-jam, bahkan sering kali lebih lama dari itu.

Padahal, waktu sangat berharga, terutama ketika berkaitan dengan mendiagnosis infeksi dan memilih perawatan yang tepat.

Terdorong oleh hal ini, para peneliti di Korea Advanced Institute of Science and Technology (KAIST) melatih algoritma Deep Learning untuk mengidentifikasi spektrum "sidik jari" dari komponen molekuler berbagai bakteri.

Mengutip Eurekalert, para peneliti dapat mengklasifikasikan berbagai bakteri di berbagai media dengan akurasi hingga 98 persen. Penelitian mereka terbit pada di jurnal Biosensors and Bioelectronics.

Penyakit yang disebabkan oleh infeksi bakteri langsung atau oleh paparan racun bakteri dapat menyebabkan gejala menyakitkan, bahkan menyebabkan kematian.

Oleh karena itu, deteksi bakteri secara cepat sangat penting untuk mencegah asupan makanan yang terkontaminasi dan untuk mendiagnosis infeksi dari sampel klinis, seperti urin.

"Dengan menggunakan analisis Surface-Enhanced Raman Spectroscopy (SERS) yang ditingkatkan dengan model Deep Learning, kami menampilkan rute yang sangat sederhana, cepat, dan efektif untuk mengklasifikasikan sinyal dua bakteri umum dan media residennya tanpa prosedur pemisahan apa pun," kata Profesor Sungho Jo dari School of Computing.

2 dari 3 halaman

Cara Lerka SERS

SERS mengirimkan cahaya melalui sampel untuk melihat bagaimana cahaya menyebar. Hasilnya mengungkapkan informasi struktural tentang sampel– sidik jari spektral–yang memungkinkan peneliti untuk mengidentifikasi molekulnya.

Versi permukaan yang disempurnakan menempatkan sel sampel pada struktur nano logam mulia yang membantu memperkuat sinyal sampel.

Namun, sulit untuk mendapatkan spektrum bakteri yang konsisten dan jelas.

"Selain itu, sinyal kuat dari media sekitarnya juga ditingkatkan untuk mengalahkan sinyal target, dan itu membutuhkan langkah pemisahan bakteri yang memakan waktu dan membosankan," kata Profesor Yeon Sik Jung dari Departemen Ilmu dan Teknik Material.

3 dari 3 halaman

DualWKNet

Para peneliti menerapkan Deep Learning yang secara hierarkis dapat mengekstraksi fitur tertentu dari informasi spektral untuk klasifikasi data.

Mereka secara khusus merancang model, yang diberi nama Dual-branch Wide-Kernel Network (DualWKNet). Model itu dilatih untuk mempelajari korelasi antara fitur spektral secara efisien.

Kemampuan seperti itu, menurut Profesor Jo, sangat penting untuk menganalisis data spektral satu dimensi.

DualWKNet memungkinkan tim peneliti untuk mengidentifikasi puncak kunci di setiap kelas yang hampir tidak terlihat dalam spektrum individu, sehingga dapat meningkatkan akurasi klasifikasi.

"Pada akhirnya, dengan penggunaan DualWKNet yang menggantikan langkah pemisahan bakteri dan media, metode kami secara dramatis mengurangi waktu analisis," tutur para peneliti.

Para peneliti berencana menggunakan platform mereka untuk mempelajari lebih banyak bakteri dan jenis media. Mereka akan menggunakan informasi tersebut untuk membangun pustaka data latih dari berbagai jenis bakteri di media tambahan untuk mengurangi waktu pengumpulan dan deteksi sampel baru.

"Kami berharap dapat memperluas penggunaan platform analisis SERS berbasis Deep Learnign ini untuk mendeteksi berbagai jenis bakteri di media tambahan yang penting untuk analisis makanan atau klinis, seperti darah," ujar Profesor Jo.