Las enfermedades transmitidas por el agua afectan a más de 2000 millones de personas en todo el mundo. causando una carga económica sustancial. Por ejemplo, el tratamiento de enfermedades transmitidas por el agua cuesta más de $ 2 mil millones al año solo en los Estados Unidos, con 90 millones de casos registrados por año. Entre los problemas relacionados con patógenos transmitidos por el agua, Uno de los problemas de salud pública más comunes es la presencia de bacterias coliformes totales y Escherichia coli ( E. coli ) en agua potable, lo que indica contaminación fecal. Los métodos tradicionales de detección de bacterias basados ​​en cultivos suelen tardar entre 24 y 48 horas. seguido de inspección visual y recuento de colonias por un experto, de acuerdo con las pautas de la Agencia de Protección Ambiental de los Estados Unidos (EPA). Alternativamente, métodos de detección molecular basados ​​en, por ejemplo, la amplificación de ácidos nucleicos, puede reducir el tiempo de detección a unas pocas horas, pero generalmente carecen de la sensibilidad para detectar bacterias en concentraciones muy bajas, y no son capaces de diferenciar entre microorganismos vivos y muertos. Es más, No existe un método basado en ácidos nucleicos aprobado por la EPA para detectar bacterias coliformes en muestras de agua.

Por lo tanto, Existe una necesidad urgente de un método automatizado que pueda lograr una detección de colonias bacterianas rápida y de alto rendimiento con alta sensibilidad para proporcionar una alternativa poderosa a los métodos estándar de oro aprobados por la EPA actualmente disponibles que toman al menos 24 horas y requieren un experto para conteo de colonias.

En un nuevo artículo publicado en Luz:ciencia y aplicaciones , un equipo de científicos, dirigido por el profesor Aydogan Ozcan del Departamento de Ingeniería Eléctrica e Informática de la Universidad de California, Los Ángeles (UCLA), NOSOTROS., y sus compañeros de trabajo han desarrollado un sistema de imágenes inteligente impulsado por IA para la detección temprana y clasificación de bacterias vivas en muestras de agua. Basado en holografía, diseñaron un sistema de imágenes de alta sensibilidad y alto rendimiento, que captura continuamente imágenes microscópicas de una placa de cultivo completa, donde crecen las bacterias, para detectar rápidamente el crecimiento de colonias analizando estas imágenes de lapso de tiempo con una red neuronal profunda. Tras la detección del crecimiento de cada colonia, se utiliza una segunda red neuronal para clasificar el tipo de bacteria.

La eficacia de esta plataforma única se demostró mediante la detección temprana y la clasificación de tres tipos de bacterias, es decir., E. coli , Klebsiella aerogenes ( K. aerogenes ), y Klebsiella pneumoniae ( K. pneumoniae ), y los investigadores de UCLA lograron un límite de detección de 1 bacteria formadora de colonias por 1 litro de muestra de agua en menos de 9 horas de tiempo total de prueba, demostrando un ahorro de tiempo de más de 12 horas para la detección de bacterias en comparación con los métodos EPA estándar de oro. Estos resultados destacan el potencial transformador de esta plataforma de imágenes holográficas impulsada por IA, que no solo permite una alta sensibilidad, detección rápida y rentable de bacterias vivas, pero también proporciona una herramienta poderosa y versátil para la investigación en microbiología.