В связи с проблемами индивидуального/общественного здравоохранения и экономики быстрое, надежное и эффективное определение и количественное определение микроорганизмов в образце является одной из основных задач медицины человека и животных, а также важной проблемой для пищевой, фармацевтической промышленности и индустрии личной гигиены.
Несмотря на развитие микробиологии, рутинно используемые методы по-прежнему имеют ряд недостатков, таких как трудоемкость, длительное время и возможность контаминации. В настоящее время эти недостатки могут быть устранены с помощью некоторых современных альтернатив, например, масс-спектрометрии Maldi-TOF, ПЦР, проточной цитометрии, микроскопии и спектроскопии, однако эти методы являются дорогостоящими и требуют привлечения специализированных сотрудников и инфраструктуры, что недоступно для большинства обычных лабораторий.
Применительно к безопасности и контролю качества пищевых продуктов некоторые микроорганизмы, такие как Salmonella spp., Staphylococcus aureus, Escherichia coli и Pseudomonas spp., являются важными микроорганизмами в силу своей высокой распространенности. Поэтому их присутствие в сырых и обработанных пищевых продуктах должно оцениваться с минимальными затратами и в сжатые сроки. Таким образом, необходима разработка альтернативных стратегий обнаружения бактерий в пищевых продуктах, которая стала объектом исследований нескольких групп по всему миру, начиная от доказательств базовой концепции и прототипов до коммерчески доступных продуктов. Среди жизнеспособных альтернатив электронный нос (e-nose), основанный на технологии газовых сенсоров, является интересным и перспективным методом, который до сих пор недостаточно изучен.
E-nose состоит из набора газовых сенсоров с определенной специфичностью к летучим веществам, которые могут различать простые и сложные запахи при подключении к системе распознавания образов, основанной на взаимодействии летучих органических соединений (ЛОС) образца с сенсорами. Это взаимодействие приводит к изменению некоторых физических и/или химических свойств сенсора в зависимости от изменения состава газа. Обычно это изменение сигнала, являющееся характерным свойством образца, с которым взаимодействуют датчики, используется в качестве входных данных для многомерного анализа, алгоритмов классификаторов машинного обучения и других статистических методов классификации образцов. Таким образом, системы e-nose используются для дифференциации образцов в различных областях, таких как экология, здоровье человека и животных, оценка контрафактной продукции.
Поскольку конкретный микробный организм генерирует специфические ЛОС в качестве побочных продуктов своего естественного метаболизма, эта газовая комплексная смесь может быть проанализирована с помощью электронного носа и создать профильную картину. Таким образом, этот газовый состав можно связать с конкретным организмом и использовать для его отличия от других или доказательства его присутствия в образце. Эта концепция была применена для дискриминации грибков и бактерий в различных видах сырых продуктов, а также при выделении их на средах.
Сальмонеллы являются одним из наиболее важных патогенов, передающихся через пищевые продукты, и до сих пор представляют опасность для здоровья населения во всем мире. В лабораториях контроля качества мониторинг сальмонелл основан на микробиологических и биохимических анализах, которые состоят из нескольких этапов и обычно занимают от трех до пяти дней.
В данной работе мы демонстрируем использование электронного носа на основе ионогелевых композитов (ионная жидкость + желатин + частицы Fe3O4) в качестве дополнительного инструмента для традиционного микробиологического определения Salmonella. Предложенную методику мы использовали для дифференциации Salmonella от Escherichia coli, Pseudomonas fluorescens, Pseudomonas aeruginosa и Staphylococcus aureus на неселективных средах: предварительное обогащение в сердечно-мозговом бульоне (BHI) (инкубация при 35 °C, 24 ч) и обогащение в триптоново-соевом агаре (TSA) (инкубация при 35 °C, 24 ч), тогда как дифференциация Salmonella от E. coli и P. fluorescens оценивали также на селективных средах - висмут-сульфит-агаре (ВСА), ксилозо-лизин-дезоксихолат-агаре (XLD) и бриллиантовом зеленом агаре (BGA) (инкубация при 35 °C, 24 ч).
Полученные данные сравнивали с помощью анализа главных компонент (PCA) и различных алгоритмов машинного обучения: многослойного перцептрона (MLP), линейного дискриминантного анализа (LDA), инстанционного (IBk) и логистических моделей (LMT). Для неселективных сред в оптимизированных условиях при объединении данных BHI + TSA (общее время инкубации 48 ч) точность MLP, LDA и LMT составила 85%, а в PCA было представлено пять выделенных кластеров, каждый из которых соответствовал одной бактерии. Кроме того, при оценке e-nose для дискриминации Salmonella с использованием селективных сред, учитывая комбинацию BSA + XLD и общее время инкубации 72 ч, PCA показал три разделенных и хорошо определенных кластера, соответствующих Salmonella, E. coli и P. fluorescens, и точность 100% была получена для всех классификаторов.
