La técnica espectroscopía Raman combinada con inteligencia artificial podría permitir identificar y clasificar de manera rápida microrganismos patógenos en hospitales

Investigadores del Instituto de Investigación Sanitaria Marqués de Valdecilla (IDIVAL) de diferentes disciplinas han estudiado el empleo de la técnica de análisis molecular denominada espectroscopia Raman combinada con algoritmos de aprendizaje automático o machine learning, una rama de la inteligencia artificial. El objetivo de esta investigación es demostrar el potencial de la espectroscopía Raman como técnica rápida y fiable para la identificación y clasificación rápida de microorganismos patógenos. Concretamente, estudiaron su aplicación en once especies del género Candida. Se trata de la infección fúngica más frecuentemente asociada a altas tasas de mortalidad y morbilidad en pacientes inmunodeprimidos y en estado crítico, por lo que supondría una ventaja sustancial para encontrar tratamientos de manera inmediata y personalizada.

Actualmente, las técnicas convencionales utilizadas en los hospitales requieren el paso previo de cultivo, y el resultado de la identificación del microorganismo puede requerir varios días. La espectroscopía Raman permitiría identificar en tiempo real la especie causante de la infección, acortando el tiempo de estudio y, por tanto, se podría administrar el fármaco adecuado en el momento del ingreso hospitalario.

La calidad de esta técnica se analizó estudiando la variabilidad intraclase e interclase a partir de 11 especies y 67 cepas suponiendo en total 3126 medidas. Además, en la investigación se propone un robusto método de tratamiento de las medidas Raman para obtener la mejor señal posible y minimizar errores. Posteriormente, el equipo seleccionó varios algoritmos de aprendizaje automático y los entrenaron para aprender a identificar las especies y que se puedan clasificar automáticamente a partir de la base de datos generada. Finalmente, con el algoritmo seleccionado, una red neuronal convolucional unidimensional (CNN 1-D), los investigadores implicados han demostrado que se consiguen precisiones superiores al 80%, lo que implica una alta tasa para poder identificar la especie de manera correcta.

El estudio se ha realizado gracias al trabajo multidisciplinar de personal investigador del IDIVAL pertenecientes al Grupo de Ingeniería Fotónica (IDIVAL- Universidad de Cantabria), al Grupo de Enfermedades Infecciosas y Microbiología y la Unidad de Microscopía de IDIVAL.

IDIVAL ofrece servicios de microscopía, entre los que se encuentra la espectroscopía Raman. Para cualquier consulta o duda sobre estos servicios o técnica pueden ponerse en contacto en el correo: microscopia3@idival.org

Ref. Fernández-Manteca, M. G., Ocampo-Sosa, A. A., Ruiz de Alegría-Puig, C., Pía Roiz, M., Rodríguez-Grande, J., Madrazo, F., Calvo, J., Rodríguez-Cobo, L., López-Higuera, J. M., Fariñas, M. C., & Cobo, A. (2022). Automatic classification of Candida species using Raman spectroscopy and machine learning. Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy, 290, 122270. https://doi.org/10.1016/j.saa.2022.122270