Label-free NIR-SERS discrimination and detection of foodborne bacteria by in situ synthesis of Ag colloids
Notice bibliographique
Résumé
BACKGROUND: Rapid detection and discrimination of bacteria for biomedical and food safety applications remain a considerable challenge. We report a label-free near infrared surface-enhanced Raman scattering (NIR-SERS) method for the discrimination of pathogenic bacteria from drinking water. The approach relies on the in situ synthesis of silver nanoparticles (Ag NPs) within the bacterial cell suspensions. RESULTS: Pre-treatment of cells with Triton X-100 significantly improved the sensitivity of the assay. Using this method, we were able to discriminate several common pathogenic bacteria such as Escherichia coli, Pseudomonas aeruginosa, Methicillin-resistant Staphylococcus aureus (MRSA) and Listeria spp. A comparison of the SERS spectra allowed for the discrimination of two Listeria species, namely L. monocytogenes and L. innocua. We further report the application of the method to discriminate two MRSA strains from clinical isolates. The complete assay was completed in a span of 5 min. CONCLUSIONS: The proposed analytical method proves to be a rapid tool for selective and label-free identification of pathogenic bacterium. Pre-treatment of bacterial cells with Triton X-100 resulted in new features on the SERS spectra, allowing for a successful discrimination of common disease related bacteria including E. coli, P. aeruginosa, Listeria and MRSA. We also demonstrate that the spectral features obtained using in situ synthesis of nanoparticles could be could be used to differentiate two species of listeria. By using L. innocua as a model sample, we found the limit of detection of our assay to be 10(3) CFU/mL. The method can selectively discriminate different bacterial species, and has a potential to be used in the development of point-of-care diagnostics with biomedical and food safety applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».