CN104862217B - 细菌耐药性快速预测***及其预测方法 - Google Patents
细菌耐药性快速预测***及其预测方法 Download PDFInfo
- Publication number
- CN104862217B CN104862217B CN201510331004.2A CN201510331004A CN104862217B CN 104862217 B CN104862217 B CN 104862217B CN 201510331004 A CN201510331004 A CN 201510331004A CN 104862217 B CN104862217 B CN 104862217B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- information
- bacterial
- band
- dna
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000001580 bacterial effect Effects 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 40
- 206010059866 Drug resistance Diseases 0.000 title claims abstract description 31
- 241000894006 Bacteria Species 0.000 claims abstract description 140
- 230000003115 biocidal effect Effects 0.000 claims abstract description 44
- 238000007400 DNA extraction Methods 0.000 claims abstract description 21
- 238000000926 separation method Methods 0.000 claims abstract description 18
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 17
- 239000003814 drug Substances 0.000 claims abstract description 16
- 229940079593 drug Drugs 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000001962 electrophoresis Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 239000012634 fragment Substances 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000018 DNA microarray Methods 0.000 claims description 10
- 238000001502 gel electrophoresis Methods 0.000 claims description 10
- 230000010365 information processing Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 239000007850 fluorescent dye Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 108091008053 gene clusters Proteins 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 229940126575 aminoglycoside Drugs 0.000 claims description 4
- 229940072174 amphenicols Drugs 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 239000003120 macrolide antibiotic agent Substances 0.000 claims description 4
- 229940041033 macrolides Drugs 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 4
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 4
- 150000007660 quinolones Chemical class 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 150000003952 β-lactams Chemical class 0.000 claims description 4
- 229960005091 chloramphenicol Drugs 0.000 claims description 3
- WIIZWVCIJKGZOK-RKDXNWHRSA-N chloramphenicol Chemical compound ClC(Cl)C(=O)N[C@H](CO)[C@H](O)C1=CC=C([N+]([O-])=O)C=C1 WIIZWVCIJKGZOK-RKDXNWHRSA-N 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 108020004707 nucleic acids Proteins 0.000 claims description 3
- 102000039446 nucleic acids Human genes 0.000 claims description 3
- 150000007523 nucleic acids Chemical class 0.000 claims description 3
- 238000012634 optical imaging Methods 0.000 claims description 3
- 229920001184 polypeptide Polymers 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 108010077805 Bacterial Proteins Proteins 0.000 claims description 2
- 238000003556 assay Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 2
- 238000005728 strengthening Methods 0.000 claims 2
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 239000000470 constituent Substances 0.000 claims 1
- 230000009182 swimming Effects 0.000 claims 1
- 238000002955 isolation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 206010034133 Pathogen resistance Diseases 0.000 abstract description 2
- 230000000644 propagated effect Effects 0.000 abstract description 2
- 238000009792 diffusion process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003242 anti bacterial agent Substances 0.000 description 4
- 229940088710 antibiotic agent Drugs 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229920000936 Agarose Polymers 0.000 description 2
- 239000004098 Tetracycline Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012817 gel-diffusion technique Methods 0.000 description 2
- 239000001963 growth medium Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000019364 tetracycline Nutrition 0.000 description 2
- 150000003522 tetracyclines Chemical class 0.000 description 2
- 229940040944 tetracyclines Drugs 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000589517 Pseudomonas aeruginosa Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229940060038 chlorine Drugs 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001215 fluorescent labelling Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000009630 liquid culture Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 108091008146 restriction endonucleases Proteins 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6806—Preparing nucleic acids for analysis, e.g. for polymerase chain reaction [PCR] assay
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Biotechnology (AREA)
- Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种细菌耐药性快速预测***及其预测方法,所述***包括细菌基因组DNA提取设备、细菌基因组指纹分型设备、智能终端、云服务器和细菌数据库服务器,所述细菌基因组DNA提取设备与细菌基因组指纹分型设备连接,所述细菌基因组指纹分型设备通过线路或无线信号与智能终端连接,所述智能终端通过互联网与云服务器连接,所述云服务器还与细菌数据库服务器连接。本发明***及方法利用了互联网和安全的云计算存储的技术,不仅可应用于临床分离菌株的抗生素耐药谱预测,也可以应用于环境分离菌株的抗生素耐药谱预测,有利于指导专业人士正确地使用抗生素,降低耐药基因传播的速度,还能够成为细菌耐药监测网的一个信息平台。
Description
技术领域
本发明涉及一种细菌耐药性预测***,尤其是一种细菌耐药性快速预测***及其预测方法,属于环境、公共卫生领域。
背景技术
目前,细菌耐药性检测主要分为两大类:第一类利用培养技术对细菌在含有不同抗生素的固态或液态培养基中进行培养并直接观察抗生素对细菌生长的抑制,因为细菌培养容易有污染并一般需要24小时及以上的时间才能检测到生长,同时每一种抗生素都要单独添加到培养基中(同时加两种以上的抗生素可能产生协同或拮抗作用)从而需要多次培养才能确定一个菌株对多种抗生素的耐药,所以该传统方法具有很大的局限性;第二类是利用分子生物学方法检测基因组上耐药基因的存在,如PCR检测某一特异耐药基因的试剂盒,该试剂盒仅可用某一特定基因,由于细菌的耐药基因发生重组和突变导致序列发生变化非常频繁,这些试剂盒的使用也受到很大的局限。因此有必要研究一种能不需要培养并能够预测某一菌株对多种抗生素耐药性的预测***。
而传统的细菌耐药性检测每次测量后的数据只作为当前的参考,不便于查看、追溯数据,也无法建立长期有效地耐药菌株流行档案;并且测量数据孤立,数据通常难以被不同医院之间共享。
由于细菌基因组的高突变率,根据传统方法测定出的单个细菌基因组特征和耐药性往往很不稳定,使得医务人员即使针对同一种细菌往往也不能根据以往的经验进行适当的抗生素用药。
发明内容
本发明的目的是为了解决上述现有技术的缺陷,提供了一种细菌耐药性快速预测***,该***使用方便,功能丰富,利用了利用了互联网和安全的云计算存储的技术,通过在云服务器进行数据分析,可以判断待测细菌对不同抗生素耐受的程度。
本发明的另一目的在于提供一种上述细菌耐药性快速预测***的预测方法。
本发明的目的可以通过采取如下技术方案达到:
细菌耐药性快速预测***,包括细菌基因组DNA提取设备、细菌基因组指纹分型设备、智能终端、云服务器和细菌数据库服务器,所述细菌基因组DNA提取设备与细菌基因组指纹分型设备连接,所述细菌基因组指纹分型设备通过线路或无线信号与智能终端连接,所述智能终端通过互联网与云服务器连接,所述云服务器与细菌数据库服务器加密连接,其中:
所述细菌基因组DNA提取设备,用于从待测细菌中提取基因组DNA;
所述细菌基因组指纹分型设备,用于从待测细菌基因组DNA中采集指纹信息,并将指纹信息发送到智能终端;
所述智能终端,用于接收待测细菌基因组DNA指纹信息以及输入待测细菌的临床或环境分离信息,并将待测细菌基因组DNA指纹信息以及细菌的临床或环境分离信息上传到云服务器;
所述云服务器,用于接收智能终端上传的信息,并通过加密的方式访问和读取细菌数据库服务器,将待测细菌基因组DNA指纹信息与细菌数据库服务器存储的DNA指纹信息进行分析比对,匹配后对待测细菌基因组DNA指纹信息进行运算处理,自动完成对待测细菌菌株的抗生素耐药谱的预测,然后将抗生素耐药谱和抗生素用药指导信息反馈给智能终端。
优选的,所述细菌基因组指纹分型设备包括DNA凝胶电泳模块和DNA微阵列模块;所述DNA凝胶电泳模块,用于对待测细菌基因组DNA进行凝胶电泳并采集电泳指纹图谱;所述DNA微阵列模块,用于对待测细菌基因组DNA进行斑点印迹分析并采集印迹指纹图谱。
优选的,所述细菌基因组DNA提取设备采用由台式离心机和试剂盒组成的手动DNA提取设备,或采用自动化核酸提取仪。
具体的,所述细菌数据库服务器内部加密存储了细菌的生物特征,DNA指纹信息和细菌耐药性信息。
本发明的另一目的可以通过采取如下技术方案达到:
细菌耐药性快速预测***的预测方法,所述方法包括以下步骤:
S1、细菌基因组DNA提取设备从待测细菌中提取基因组DNA;
S2、细菌基因组指纹分型设备从细菌基因组DNA提取设备提取的待测细菌基因组DNA中采集指纹信息,并将指纹信息发送到智能终端;所述指纹信息包括待测细菌基因组DNA的电泳指纹图谱和待测细菌基因组DNA的印迹指纹图谱;
S3、智能终端接收待测细菌基因组DNA指纹信息,并通过智能终端输入待测细菌的临床或环境分离信息,将待测细菌基因组DNA指纹信息以及细菌的临床或环境分离信息上传到云服务器;
S4、云服务器接收智能终端上传的信息,并通过加密的方式访问和读取细菌数据库服务器,将智能终端上传的信息与细菌数据库服务器存储的DNA指纹信息进行分析比对,匹配后对智能终端上传的信息和细菌数据库服务器存储的信息进行运算处理,自动完成对待测细菌菌株的抗生素耐药谱的预测,然后将抗生素耐药谱和抗生素用药指导信息反馈给智能终端。
优选的,步骤S2中,所述待测细菌基因组DNA的电泳指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,具体包括:
1)电泳指纹图谱进行标准化处理,消除样本的差异,荧光标记效率和检出率的不平衡;
2)电泳指纹图谱的分段基于高斯扩散的线性模型进行数据拟合;
3)DNA电泳指纹图谱进行图像预处理,包括:光学非线性的纠正、背景噪声的去除、脉冲噪声滤波、对称和单调性的约束、一维图形轨迹转换和增益纠正;
4)标记通道数据分析,包括:标记通道的分析、标记带的划分与检测、标记带的校验和标记带形状的分析;
5)数据通道的数据分析,包括:基因聚类分析、网格搜索、曲线幅度估测、基因指纹提取和异常情况处理;
通过上述步骤1)~6)的处理,获得数字的待测细菌基因组DNA的电泳指纹信息。
优选的,步骤S2中,所述待测细菌基因组DNA的印迹指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,具体为:
通过图像分析、标准化处理、Ratio值分析和聚类分析,获得数字的待测细菌基因组DNA的印迹指纹信息。
优选的,步骤S4中,所述云服务器对待测细菌基因组DNA指纹信息进行运算处理,即进行基于大样本数据信息的数据挖掘和数据统计分析,具体包括:
1)采用非监督的基于层次聚类、K均值聚类,自组织映设、回归分析、主成分分析和独立成分分析对样本数据进行分析;
2)采用监督的基于判别分析、贝叶氏网络、支持向量机、决策树和人工神经网络法对样本数据进行分析。
具体的,步骤S3中,所述在智能终端上输入待测细菌的临床或环境分离信息包括分离部位、细菌种属信息。
具体的,步骤S4中,所述云服务器上完成的抗生素耐药谱的预测包括待测细菌菌株对β-内酰胺类、氨基糖苷类、酰胺醇类、氯霉素、大环内酯类、喹诺酮类、磺胺类、多肽类、四环素类抗生素的最低耐受浓度。
本发明相对于现有技术具有如下的有益效果:
1、本发明***及方法通过从待测细菌中提取基因组DNA,利用细菌基因组指纹分型设备从提取的待测细菌基因组DNA中采集指纹信息,通过智能终端上的用户界面可以输入待测细菌的临床(或环境)分离信息,然后智能终端通过互联网将待测细菌基因组DNA指纹信息、待测细菌的临床(或环境)分离信息上传到云服务器,在云服务器中进行云计算处理,可以准确判断待测细菌对不同抗生素耐受的程度,并将预测结果和抗生素用药指导信息反馈给智能终端,使得用户不仅可以清楚了解到细菌对不同抗生素的耐药性,还对用户如何使用抗生素起到指导的作用。
2、本发明***及方法不仅可应用于临床分离菌株的抗生素耐药谱预测,也可以应用于环境分离菌株的抗生素耐药谱预测,有利于指导专业人士正确的使用抗生素,降低耐药基因传播的速度,还能够成为细菌耐药监测网的一个安全可靠的信息平台。
附图说明
图1为本发明实施例1的细菌耐药性快速预测***的结构原理框图。
图2为本发明实施例1的琼脂糖DNA的电泳凝胶成像图。
图3为本发明实施例1的铜绿假单胞菌DNA的电泳凝胶成像图。
图4为本发明实施例1的DNA微阵列模块获得的待测细菌基因组DNA斑点印迹的网格图。
图5为本发明实施例2的细菌耐药性快速预测***的软件流程图。
具体实施方式
实施例1:
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,本实施例的细菌耐药性快速预测***包括细菌基因组DNA提取设备、细菌基因组指纹分型设备、智能终端、云服务器和细菌数据库服务器,所述细菌基因组DNA提取设备与细菌基因组指纹分型设备连接,所述细菌基因组指纹分型设备通过线路(如USB,串口UART,总线SPI、I2C等)或无线信号(如WIFI、蓝牙等)与智能终端连接,所述智能终端通过互联网(有线或无线方式接入互联网,如以太网、电缆调制解调器、WIFI、蓝牙、GSM/GPRS、3G、4GLTE等)与云服务器连接,所述云服务器与细菌数据库服务器加密连接,所述细菌数据库服务器内部加密存储了细菌的生物特征,DNA指纹信息和细菌耐药性信息,其中:
所述细菌基因组DNA提取设备,采用由台式离心机和试剂盒组成的手动DNA提取设备,或采用自动化核酸提取仪(如ABI PrismTM 6100Nucleic Acid PrepStation),用于从待测细菌中提取基因组DNA;
所述细菌基因组指纹分型设备,用于从待测细菌基因组DNA中采集指纹信息,并将指纹信息发送到智能终端;此外,细菌基因组指纹分型设备还具有数据分析和处理的能力;
所述细菌基因组指纹分型设备包括DNA凝胶电泳模块和DNA微阵列模块:
所述DNA凝胶电泳模块(如BIORAD电泳仪),用于对待测细菌基因组DNA进行凝胶电泳并采集电泳指纹图谱,可以采集待测细菌基因组在限制性内切酶酶切或随机引物PCR扩增后的指纹图谱;
所述DNA微阵列模块(如由VERSA阵列喷印工作站制备的不同细菌特异性的DNA微阵列芯片),用于对待测细菌基因组DNA进行斑点印迹(dot blotting)分析并采集印迹指纹图谱,可以采取待测细菌基因组上的高突变区域的基因指纹图谱;
所述智能终端可以采用智能手机、PDA手持终端、平板电脑、笔记本电脑或其他的便携式移动计算设备,用于接收待测细菌基因组DNA指纹信息以及通过用户界面输入待测细菌的临床或环境分离信息,并将待测细菌基因组DNA指纹信息以及细菌的临床或环境分离信息上传到云服务器;此外,智能终端还具有数据分析和处理的能力;
所述云服务器,用于接收智能终端上传的信息,并通过加密的方式访问和读取细菌数据库服务器,将待测细菌基因组DNA指纹信息与细菌数据库服务器存储的信息进行分析比对,匹配后对待测细菌基因组DNA指纹信息进行运算处理,自动完成对待测细菌菌株的抗生素耐药谱的预测,然后将抗生素耐药谱和抗生素用药指导信息反馈给智能终端。
本实施例的细菌耐药性快速预测***的预测方法包括以下步骤:
S1、细菌基因组DNA提取设备从待测细菌中提取基因组DNA;
S2、细菌基因组指纹分型设备从细菌基因组DNA提取设备提取的待测细菌基因组DNA中采集指纹信息,并将指纹信息发送到智能终端;从上述内容可知,所述指纹信息包括待测细菌基因组DNA的电泳指纹图谱和待测细菌基因组DNA的印迹指纹图谱,电泳指纹图谱和印迹指纹图谱可以通过细菌基因组指纹分型设备进行信息处理后,再发送到智能终端;或是直接发送到智能终端,由智能终端进行信息处理;又或是直接通过智能终端上传到云服务器,由云服务器进行信息处理;
S3、智能终端接收待测细菌基因组DNA指纹信息,并通过智能终端输入待测细菌的临床或环境分离信息,将待测细菌基因组DNA指纹信息以及细菌的临床或环境分离信息上传到云服务器;所述临床或环境分离信息包括分离部位、细菌种属等信息;
S4、云服务器接收智能终端上传的信息,并通过加密的方式访问和读取细菌数据库服务器,将待测细菌基因组DNA指纹信息与细菌数据库服务器存储的DNA指纹信息进行分析比对,匹配后对待测细菌基因组DNA指纹信息进行运算处理,自动完成对待测细菌菌株的抗生素耐药谱的预测,然后将抗生素耐药谱和抗生素用药指导信息反馈给智能终端;所述完成的抗生素耐药谱的预测包括待测细菌菌株对β-内酰胺类、氨基糖苷类、酰胺醇类、氯霉素、大环内酯类、喹诺酮类、磺胺类、多肽类、四环素类等类别的抗生素的最低耐受浓度。
步骤S2中,所述待测细菌基因组DNA的电泳指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,根据应用的场景的不同,该数据处理可以独立地,分步骤地或者并行地在细菌基因组指纹分型设备、智能终端和云服务器上完成,具体包括:
1)电泳指纹图谱进行标准化处理(Normalization),消除样本的差异,荧光标记效率和检出率的不平衡
由于样本差异、荧光标记效率和检出率的不平衡,需对原始提取凝胶电泳图谱的信号进行均衡和修正才能进一步分析实验数据,这里的标准化处理的方法采用一组标记的参照基因(如DNA电泳的标准分子量ladder或者DNA微阵列的参照基因)校正DNA指纹图谱的指纹信息,包括阳性指纹,阴性指纹和单个指纹信号。
在完成电泳指纹图谱进行标准化处理之后,就可以进行图像的预处理,然后将数据拟合在线性模型中,再分别完成基因图谱的标记通道和数据通道的分析,如图2所示(以琼脂糖DNA为例);标记通道分析是指确定线性模型的参数;而数据通道分析是指检测限定的片断(restriction framgment)并估测限制性片段的曲线变化的幅度,从而把测限制性片段的幅度描述成为一个以指纹凝胶扩散带(diffusion band)的移动性(mobility)为参数的函数。这里的移动性是指凝胶的扩散带的分子在电场作用下,相对于片断尺寸移动的距离。凝胶扩散的移动性和分段尺寸的变化曲线将有一个基于测量的经验的公式来决定。
2)电泳指纹图谱的分段基于高斯扩散(Gaussian diffusion)的线性模型进行数据拟合
在本实施例的线性模型中,带的形状是矩形,并服从于高斯扩散模型,扩散的参数和带的尺寸相关,每个带的亮度或者幅度也是和尺寸关联,带的亮度因为小尺寸的片断能够行进地更远,所以更暗,同时也更分散,从图2中可以看到;因此数据通道包含了不同的带的叠加,并且由片断的尺寸和位置决定。由K个带组成的图像的线性模型可以描述为:
其中,x,y分别是水平和垂直的空间位置坐标,I(x,y)是要求的图像的亮度(或者强度),Ak是第k个带的幅度,mk是k带的移动性,fk是第k个带的分子片段的尺寸(单位为bp),B则是第k个带的形状函数,该形状函数由独立的水平和垂直的形状因子决定。
3)DNA电泳指纹图谱进行图像预处理,包括:
3.1)光学非线性的纠正
纠正光学成像镜头的非线性带来的像素数值的误差;
3.2)背景噪声的去除
通过二维和一维的MinMax滤波器去掉背景干扰图案影响;
3.3)脉冲噪声滤波
由于尘土或者其他颗粒杂质的影响,在电泳凝胶图像形成2-3个像素点大小的亮点,被称为脉冲噪声,依照线性模型,像素的亮度在相邻的通道之间是平滑地变化,预处理的算法由此可以将通过逐行检查的方式将噪点去除;
3.4)对称和单调性的约束
图像预处理的片断(fragment)和带(band)采用指纹凝胶的矩形状的扩散模型和高斯函数的数学的卷积运算,所以带的形状是和带中心像素点对称的,并且从中心点到带的边缘时单调下降的,通过检查和强化相邻的带或者片断内的像素的对称和单调性,可以找到像素的门限值。
3.5)一维图形轨迹转换
二维的图形轨迹可以通过匹配滤波器把交叉线模列(cross-row)的带的因素去除,而让形状转化为一维的的图像;一维图形轨迹T(y)的转化的公式如下:
其中,Bh(x,y)是二维的交叉线模列的带的形状,一维的带的形状函数T(y)便成为:
此处的匹配滤波器在高斯噪声信道模型下是最优化的。
3.6)增益纠正
在线性模型中,由于片断的尺寸和带的扩散影响,带的幅度在较大的动态范围内波动。为了消除这个影响,一种特殊的规范化引入到模型的拟合(fitting),即移动性增加也会增加其增益,从而通过增益来纠正大的动态范围带来的影响。
4)标记通道数据分析
4.1)标记通道的分析
标记通道的分析是根据凝胶上的片断的尺寸来决定每个片段的移动性,从而建立起移动性和片断尺寸的关系,当标记带的位置在标记通道确立,其带的形状就可以用来开发数据通道的线性模型所需要的模板,通常根据bp数值表示的尺寸划分30-50个标记的片断。
4.2)标记带的划分与检测
在标记通道的分析中,一旦建立了标记带的数量,移动性和片断尺寸的函数或者曲线,就可以划分和检测标记带,在标记带的划分和检测中,需要考虑到测试流程和实际的材料带来的移动性的误差,可以采用模式识别的算法来增加准确度。
4.3)标记带的校验
需要通过反复地多次地试验,把标记带检测和划分的误差控制在容许的范围内,尤其是在移动性和分段尺寸的曲线模型中,需要通过使用多项式插值的数值算法来估计移动性。
4.4)标记带形状的分析
标记带一旦划分完成,就需要开发带的形状模型,用于电泳指纹的分析,这个过程通过拟合带的二阶矩(the second moments)的试验数据和模型的理论数据来实现。由于带的形状在水平和垂直上独立的,可以分别建立水平和垂直的带的形状,分别建立分析水平和垂直的矩的关系,水平带的形状可以把垂直方向的像素叠加来找到,相似的道理也可以找到垂直方向的形状,并且水平带和尺纸带可以很容易地规范到单位的面积上,方便于标记带的形状分析。
5)数据通道的数据分析
5.1)基因聚类分析
在线性模型生成的一维曲线轨迹模型T(y)中,划分的带容易形成数个隔离的组,每个组通常包含1-10个带,这里称为聚类;聚类之间的空间间隔里面,其信号值接近0;实际上,可以通过寻找信号缺失(signal-absent)区域,将曲线轨迹划分成连续的信号存在(signal-present)和信号缺失区域;采用这种方式,一个全局的信号拟合问题就简化成为数个小的本地化的拟合问题,较为容易和快速地解决模型拟合的问题。
5.2)网格搜索
把曲线轨迹和移动性组成网格(gird),接着把这些网格分割成为隔离的聚类,然后分别对每一个聚类寻找最好的拟合模型,最后把这些分割的网格的拟合模型通过线性组合的方式合在一起,找到优化的全局的拟合模型。
5.3)曲线幅度估测
在上面的算法中生成的曲线幅度通常被限制在一个单一的范围内;然而,由于通道之间的曲线的幅度的不同和变化,这种单一的曲线幅度范围不足以用来预测带的强度(intensities),需要进一步的修正。可以通过下面步骤来改进:
幅度曲线乘以一个比例因子,使其规范化;幅度曲线的每一点和立方多项式(cubic polynomial)生成的数值相乘,立方多项式的系数通过合成的曲线和数据的均方误差(mean square error)的最小化来计算得到。
5.4)基因指纹提取
从获得的数据通道的曲线轨迹和基因聚类分析结果中,提取特征值,建立数字的细菌的基因指纹信息;如图3所示(以铜绿假单胞菌DNA为例),每个电泳的通道(垂直方向)都对应一个细菌分离株的产物,这些细菌在分类上都属于Pseudomonas aeruginosa,可以根据给他们分型(A,B,C,D,…,J,K),每个字母代表属于同一个类型,这些分型的特征字母或者数字,就组成了数字的DNA电泳指纹图谱。
5.5)异常情况处理
处理一些异常的数据通道,包括空的通道(没有任何数据);无法组合的通道(超过1/3的信号的发现小于10个像素点);低移动性的通道;过大的片段尺寸(如大于350kbp);过小的片段尺寸(例如小于10kbp);非常糟糕的信号质量;未知的错误(可能来自测量的仪器,程序或者其他信息处理部分)。
通过上述步骤1)~6)的处理,获得数字的待测细菌基因组DNA的电泳指纹信息。
步骤S2中,所述待测细菌基因组DNA的印迹指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,根据应用的场景的不同,该数据处理可以独立地,分步骤地或者并行地在细菌基因组指纹分型设备、智能终端和云服务器上完成,具体为:
1)图像分析
利用激光或者LED发光的共聚焦光学***,由细菌基因组提取设备或者细菌基因组指纹分型设备的计算机控制,通过DNA微阵列模块对待测细菌基因组DNA进行斑点印迹分析并采集印迹指纹图谱;计算机程序获得数字图像采集器采集的印迹指纹图谱的图像文件,并标定网格,使得网格中所包含的横线和竖线的交点个数同每个区域点样的克隆数相同,调整网格,使每个交点均位于点样斑点信号的中心;信号的中心确定后,计算机将自动以交点为中心,按照设定的半径圈定各斑点,并将其内部区域作为待分析的信号,同时在圈定的各斑点周围再按照预设的值圈定一定范围的区域,将该区域内的信号作为背景噪音;计算机程序分析每个斑点扣除背景噪音后的信号强度,生成待测细菌基因组DNA斑点印迹的网格图,如图4所示;计算机程序在确定杂交点范围,过滤背景噪音,提取得到基因表达的荧光信号强度值,最后以列表形式输出。
2)标准化处理
由于样本差异、荧光标记效率和检出率的不平衡,需对原始提取信号(像素)进行均衡和修正才能进一步分析实验数据。
3)Ratio值分析(Ratio Analysis)
Ratio值又称R/G值,一般0.5-2.0范围内的基因不存在显著表达差异,该范围之外则认为基因的表达出现显著改变;由于实验条件的不同,此阈值范围会根据可信区间有所调整。处理后得到的信息再根据不同要求以各种形式输出,如柱形图、饼形图、点图、原始图象拼图等;将每个Spot的所有相关信息如位标、基因名称、斑点、信号强度、Ratio值等自动关联并根据需要筛选数据。每个Spot的原始图象另存文件,可根据需要任意排序,得到原始图象的拼图,对于结果分析十分有利。
4)聚类分析(Clustering Analysis)
通过建立各种不同的数学模型,可以得到各种统计分析结果,确定不同细菌基因在表达上的相关性。从印迹指纹图谱中找到待测细菌的独特的功能信息或标示信息,生成该细菌的数字化的基因指纹图谱。
通过上述步骤1)~4)的处理,获得数字的待测细菌基因组DNA的印迹指纹信息。
步骤S4中,在获得数字的待测细菌基因组DNA的电泳指纹信息和数字的待测细菌基因组DNA的印迹指纹信息后,即说明待测细菌基因组DNA指纹信息已进行处理,所述云服务器将处理后的指纹信息与细菌数据库服务器存储的DNA指纹信息进行分析比对,如果匹配对处理后的指纹信息进行运算处理,即进行基于大样本数据信息的数据挖掘和数据统计分析,具体包括:
1)采用非监督的基于层次聚类(Hierarchical)、K均值聚类(K-means)、自组织映设(Self-organizing map,SOM)、回归分析(regression analysis)、主成分分析(principal component analysis,PCA)和独立成分分析(Independent componentanalysis,ICA)等方法对样本进行分析;
2)采用监督的基于判别分析(discriminant analysis)、贝叶氏网络(Bayesiannetworks)、支持向量机(support vector machines,SVM)、决策树(decision trees)和人工神经网络法(artificial neural network,ANN)等分析方法对样本进行分析。
实施例2:
如图1和图5所示,本实施例的细菌耐药性快速预测***的软件流程,通过以下步骤实施:
A、用户将在细菌基因组DNA提取设备中获得待测细菌基因组DNA的样本;
B、用户将DNA样本置于细菌基因组指纹分型设备的凝胶电泳模块中生成条带状的指纹图谱并被图像采集器采集信号;
C、用户将DNA样本置于细菌基因组指纹分型设备的DNA微阵列模块中生成微阵列状的指纹图谱并被图像采集器采集信号;
D、用户将细菌基因组指纹分型设备采集的DNA通过线路(如USB,串口UART,总线SPI、I2C等)或无线信号(如WIFI、蓝牙等)发送到智能终端;
E、用户通过智能终端把待测细菌基因组DNA指纹信息以及待测细菌的临床或环境分离信息通过互联网(如通过以太网、电缆调制解调器、WIFI、蓝牙、GSM/GPRS、3G、4G LTE等接入互联网)上传到云服务器;该云服务器通过加密的方式访问和读取细菌数据库服务器,该细菌数据库服务器内加密存储了细菌的生物特征、DNA指纹信息和细菌耐药性的信息;
F、云服务器对智能终端上传的待测细菌基因组DNA指纹信息进行云计算处理(先对待测细菌基因组DNA指纹信息进行处理,然后将处理后的指纹信息与细菌数据库服务器中的DNA指纹信息进行分析比对,若匹配则对处理后的指纹信息进行数据挖掘和数据统计分析)后,得到预测结果,并将预测结果和抗生素用药指导信息反馈给智能终端,包括待测细菌菌株对β-内酰胺类、氨基糖苷类、酰胺醇类、氯霉素、大环内酯类、喹诺酮类、磺胺类、多肽类、四环素类等类别的抗生素的最低耐受浓度。
综上所述,本发明***及方法利用了互联网和安全的云计算存储的技术,不仅可应用于临床分离菌株的抗生素耐药谱预测,也可以应用于环境分离菌株的抗生素耐药谱预测,有利于指导专业人士正确地使用抗生素,降低耐药基因传播的速度,还能够成为细菌耐药监测网的一个安全可靠的信息平台。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (9)
1.细菌耐药性快速预测***,其特征在于:包括细菌基因组DNA提取设备、细菌基因组指纹分型设备、智能终端、云服务器和细菌数据库服务器,所述细菌基因组DNA提取设备与细菌基因组指纹分型设备连接,所述细菌基因组指纹分型设备通过线路或无线信号与智能终端连接,所述智能终端通过互联网与云服务器连接,所述云服务器与细菌数据库服务器加密连接,其中:
所述细菌基因组DNA提取设备,用于从待测细菌中提取基因组DNA;
所述细菌基因组指纹分型设备,用于从待测细菌基因组DNA中采集指纹信息,并将指纹信息发送到智能终端;
所述智能终端,用于接收待测细菌基因组DNA指纹信息以及输入待测细菌的临床或环境分离信息,并将待测细菌基因组DNA指纹信息以及细菌的临床或环境分离信息上传到云服务器;
所述云服务器,用于接收智能终端上传的信息,并通过加密的方式访问和读取细菌数据库服务器,将待测细菌基因组DNA指纹信息与细菌数据库服务器存储的DNA指纹信息进行分析比对,匹配后对待测细菌基因组DNA指纹信息进行运算处理,自动完成对待测细菌菌株的抗生素耐药谱的预测,然后将抗生素耐药谱和抗生素用药指导信息反馈给智能终端;
所述待测细菌基因组DNA的电泳指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,具体包括:
1)电泳指纹图谱进行标准化处理,消除样本的差异,荧光标记效率和检出率的不平衡;其中,所述标准化处理采用一组标记的参照基因校正DNA指纹图谱的指纹信息,包括阳性指纹,阴性指纹和单个指纹信号;
2)电泳指纹图谱的分段基于高斯扩散的线性模型进行数据拟合,由K个带组成的图像的线性模型描述为:
其中,x,y分别是水平和垂直的空间位置坐标,I(x,y)是要求的图像的亮度,Ak是第k个带的幅度,mk是k带的移动性,fk是第k个带的分子片段的尺寸,B则是第k个带的形状函数,该形状函数由独立的水平和垂直的形状因子决定;
3)电泳指纹图谱进行图像预处理,包括:光学非线性的纠正、背景噪声的去除、脉冲噪声滤波、对称和单调性的约束、一维图形轨迹转换和增益纠正;
光学非线性的纠正:纠正光学成像镜头的非线性带来的像素数值的误差;
背景噪声的去除:通过二维和一维的MinMax滤波器去掉背景干扰图案影响;
脉冲噪声滤波:通过逐行检查的方式将噪点去除;
对称和单调性的约束:通过检查和强化相邻的带或者片断内的像素的对称和单调性,找到像素的门限值;
一维图形轨迹转换:二维图形轨迹通过匹配滤波器把交叉线模列的带的因素去除,而让形状转化为一维的的图像;一维图形轨迹T(y)的转化的公式如下:
其中,Bh(x,y)是二维的交叉线模列的带的形状,一维的带的形状函数T(y)便成为:
增益纠正:通过增加线性模型的移动性来增加线性模型的增益,从而通过增益来纠正大的动态范围带来的影响;
4)标记通道数据分析,包括:标记通道的分析、标记带的划分与检测、标记带的校验和标记带形状的分析;
5)数据通道的数据分析,包括:基因聚类分析、网格搜索、曲线幅度估测、基因指纹提取和异常情况处理;
通过上述1)~5)的处理,获得数字的待测细菌基因组DNA的电泳指纹信息。
2.根据权利要求1所述的细菌耐药性快速预测***,其特征在于:所述细菌基因组指纹分型设备包括DNA凝胶电泳模块和DNA微阵列模块;所述DNA凝胶电泳模块,用于对待测细菌基因组DNA进行凝胶电泳并采集电泳指纹图谱;所述DNA微阵列模块,用于对待测细菌基因组DNA进行斑点印迹分析并采集印迹指纹图谱。
3.根据权利要求1所述的细菌耐药性快速预测***,其特征在于:所述细菌基因组DNA提取设备采用由台式离心机和试剂盒组成的手动DNA提取设备,或采用自动化核酸提取仪。
4.根据权利要求1所述的细菌耐药性快速预测***,其特征在于:所述细菌数据库服务器内部加密存储了细菌的生物特征,DNA指纹信息和细菌耐药性信息。
5.基于权利要求1所述细菌耐药性快速预测***的预测方法,其特征在于:所述方法包括以下步骤:
S1、细菌基因组DNA提取设备从待测细菌中提取基因组DNA;
S2、细菌基因组指纹分型设备从细菌基因组DNA提取设备提取的待测细菌基因组DNA中采集指纹信息,并将指纹信息发送到智能终端;所述指纹信息包括待测细菌基因组DNA的电泳指纹图谱和待测细菌基因组DNA的印迹指纹图谱;
S3、智能终端接收待测细菌基因组DNA指纹信息,并通过智能终端输入待测细菌的临床或环境分离信息,将待测细菌基因组DNA指纹信息以及细菌的临床或环境分离信息上传到云服务器;
S4、云服务器接收智能终端上传的信息,并通过加密的方式访问和读取细菌数据库服务器,将待测细菌基因组DNA指纹信息与细菌数据库服务器存储的DNA指纹信息进行分析比对,匹配后对待测细菌基因组DNA指纹信息进行运算处理,自动完成对待测细菌菌株的抗生素耐药谱的预测,然后将抗生素耐药谱和抗生素用药指导信息反馈给智能终端;
步骤S2中,所述待测细菌基因组DNA的电泳指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,具体包括:
1)电泳指纹图谱进行标准化处理,消除样本的差异,荧光标记效率和检出率的不平衡;其中,所述标准化处理采用一组标记的参照基因校正DNA指纹图谱的指纹信息,包括阳性指纹,阴性指纹和单个指纹信号;
2)电泳指纹图谱的分段基于高斯扩散的线性模型进行数据拟合,由K个带组成的图像的线性模型描述为:
其中,x,y分别是水平和垂直的空间位置坐标,I(x,y)是要求的图像的亮度,Ak是第k个带的幅度,mk是k带的移动性,fk是第k个带的分子片段的尺寸,B则是第k个带的形状函数,该形状函数由独立的水平和垂直的形状因子决定;
3)电泳指纹图谱进行图像预处理,包括:光学非线性的纠正、背景噪声的去除、脉冲噪声滤波、对称和单调性的约束、一维图形轨迹转换和增益纠正;
光学非线性的纠正:纠正光学成像镜头的非线性带来的像素数值的误差;
背景噪声的去除:通过二维和一维的MinMax滤波器去掉背景干扰图案影响;
脉冲噪声滤波:通过逐行检查的方式将噪点去除;
对称和单调性的约束:通过检查和强化相邻的带或者片断内的像素的对称和单调性,找到像素的门限值;
一维图形轨迹转换:二维图形轨迹通过匹配滤波器把交叉线模列的带的因素去除,而让形状转化为一维的的图像;一维图形轨迹T(y)的转化的公式如下:
其中,Bh(x,y)是二维的交叉线模列的带的形状,一维的带的形状函数T(y)便成为:
增益纠正:通过增加线性模型的移动性来增加线性模型的增益,从而通过增益来纠正大的动态范围带来的影响;
4)标记通道数据分析,包括:标记通道的分析、标记带的划分与检测、标记带的校验和标记带形状的分析;
5)数据通道的数据分析,包括:基因聚类分析、网格搜索、曲线幅度估测、基因指纹提取和异常情况处理;
通过上述1)~5)的处理,获得数字的待测细菌基因组DNA的电泳指纹信息。
6.根据权利要求5所述的细菌耐药性快速预测***的预测方法,其特征在于:步骤S2中,所述待测细菌基因组DNA的印迹指纹图谱在细菌基因组指纹分型设备、智能终端或云服务器中进行信息处理,具体为:
通过图像分析、标准化处理、Ratio值分析和聚类分析,获得数字的待测细菌基因组DNA的印迹指纹信息。
7.根据权利要求5所述的细菌耐药性快速预测***的预测方法,其特征在于:步骤S4中,所述云服务器对待测细菌基因组DNA指纹信息进行运算处理,即进行基于大样本数据信息的数据挖掘和数据统计分析,具体包括:
1)采用非监督的基于层次聚类、K均值聚类,自组织映设、回归分析、主成分分析和独立成分分析对样本数据进行分析;
2)采用监督的基于判别分析、贝叶氏网络、支持向量机、决策树和人工神经网络法对样本数据进行分析。
8.根据权利要求5-7任一项所述的细菌耐药性快速预测***的预测方法,其特征在于:步骤S3中,所述在智能终端上输入待测细菌的临床或环境分离信息包括分离部位、细菌种属信息。
9.根据权利要求5-7任一项所述的细菌耐药性快速预测***的预测方法,其特征在于:步骤S4中,所述云服务器上完成的抗生素耐药谱的预测包括待测细菌菌株对β-内酰胺类、氨基糖苷类、酰胺醇类、氯霉素、大环内酯类、喹诺酮类、磺胺类、多肽类、四环素类抗生素的最低耐受浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510331004.2A CN104862217B (zh) | 2015-06-15 | 2015-06-15 | 细菌耐药性快速预测***及其预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510331004.2A CN104862217B (zh) | 2015-06-15 | 2015-06-15 | 细菌耐药性快速预测***及其预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104862217A CN104862217A (zh) | 2015-08-26 |
CN104862217B true CN104862217B (zh) | 2017-06-20 |
Family
ID=53908401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510331004.2A Expired - Fee Related CN104862217B (zh) | 2015-06-15 | 2015-06-15 | 细菌耐药性快速预测***及其预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104862217B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886689B (zh) * | 2015-12-15 | 2018-12-21 | 浙江大学 | 一种病原微生物基因组快速分析方法及*** |
CN106790377A (zh) * | 2016-11-23 | 2017-05-31 | 北海高创电子信息孵化器有限公司 | 一种草本植物抗药性信息收集*** |
CN106404831B (zh) * | 2016-12-20 | 2020-01-14 | 西北大学 | 一种β-内酰胺类抗生素敏感性的快速检测方法 |
CN107604084A (zh) * | 2017-10-30 | 2018-01-19 | 深圳市第三人民医院 | 细菌耐药性快速预测***及其预测方法 |
CN108897283B (zh) * | 2018-05-31 | 2022-07-19 | 中策橡胶集团股份有限公司 | 一种炼胶生产线数据分析处理方法 |
CN111424075B (zh) * | 2020-04-10 | 2021-01-15 | 西咸新区予果微码生物科技有限公司 | 一种基于第三代测序技术的微生物检测方法及*** |
CN113234789A (zh) * | 2021-06-07 | 2021-08-10 | 东莞市人民医院 | 一种菌群耐药性临床应用的监测评估***及其方法 |
CN113643758B (zh) * | 2021-09-22 | 2023-04-07 | 华南农业大学 | 面向肠杆科细菌获得抗β-内酰胺类耐药性基因的预测方法 |
CN113981034B (zh) * | 2021-12-03 | 2024-05-10 | 广东阳光生物科技有限公司 | 革兰氏阴性杆菌的鉴定方法、试剂盒、计算机设备以及存储介质 |
CN114774262A (zh) * | 2022-06-21 | 2022-07-22 | 山东省饲料兽药质量检验中心 | 一种动物源细菌耐药性监测溯源*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101724690A (zh) * | 2009-08-31 | 2010-06-09 | 华南理工大学 | 一种对虾养殖水体菌群多态性检测的方法 |
CN101792790B (zh) * | 2009-10-29 | 2013-08-14 | 中国兽医药品监察所 | 动物源细菌耐药性的分析方法及实现所述分析方法的*** |
CN102212606B (zh) * | 2011-04-19 | 2014-12-10 | 长江水资源保护科学研究所 | 细菌类非点源污染源追踪方法 |
CN103361418B (zh) * | 2012-05-08 | 2014-12-31 | 北京毅新博创生物科技有限公司 | 细菌核酸指纹特征质谱试剂盒 |
CN103060926A (zh) * | 2012-08-02 | 2013-04-24 | 向华 | 基于酶切的细菌核酸指纹特征谱制备方法及其用途 |
CN103725747A (zh) * | 2014-01-26 | 2014-04-16 | 佟雪梅 | 一种细菌对抗生素敏感性的鉴定方法及其设备 |
-
2015
- 2015-06-15 CN CN201510331004.2A patent/CN104862217B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104862217A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104862217B (zh) | 细菌耐药性快速预测***及其预测方法 | |
CN107604084A (zh) | 细菌耐药性快速预测***及其预测方法 | |
US11376441B2 (en) | Systems and methods for finding regions of in interest in hematoxylin and eosin (HandE) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue | |
CN110866893B (zh) | 基于病理图像的tmb分类方法、***及tmb分析装置 | |
Wu et al. | GainTKW: a measurement system of thousand kernel weight based on the android platform | |
Yu et al. | Crop row segmentation and detection in paddy fields based on treble-classification otsu and double-dimensional clustering method | |
CN108764329A (zh) | 一种肺癌病理图像数据集的构建方法 | |
Padilla et al. | Portable yellow spot disease identifier on sugarcane leaf via image processing using support vector machine | |
CN106680775A (zh) | 一种自动识别雷达信号调制方式的方法和*** | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN106055928B (zh) | 一种宏基因组重叠群的分类方法 | |
CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
CA3139352A1 (en) | Identification of candidate signs indicative of an ntrk oncogenic fusion | |
CN108804876A (zh) | 用于计算癌症样本纯度和染色体倍性的方法和装置 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
CN107315935A (zh) | 一种多指纹的识别方法及装置 | |
CN104252056A (zh) | 一种基板的检测方法及装置 | |
CN101127086A (zh) | 高光谱图像复选性加权分类方法 | |
CN116385819A (zh) | 基于神经网络模型的水质评价方法、装置以及设备 | |
Sun et al. | Study on rice grain mildewed region recognition based on microscopic computer vision and YOLO-v5 model | |
Shi et al. | Barley variety identification by IPhone images and deep learning | |
US20210199643A1 (en) | Fluid classification | |
CN109034070A (zh) | 一种置换混叠图像盲分离方法及装置 | |
CN109034088A (zh) | 一种无人机信号探测方法及装置 | |
CN104050455B (zh) | 一种肤色检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170620 |