Detection and Classification of Bacterial Cells After Centrifugation and Filtration of Liquid Specimens Using Laser-Induced Breakdown Spectroscopy
Notice bibliographique
Résumé
were deposited from suspensions of various titers onto disposable nitrocellulose filter media for analysis by laser-induced breakdown spectroscopy (LIBS). Bacteria were concentrated and isolated in the center of the filter media during centrifugation using a simple and convenient sample preparation step. Summing all the single-shot LIBS spectra acquired from a given bacterial deposition provided perfectly sensitive and specific discrimination from sterile water control specimens in a partial least squares discriminant analysis (PLS-DA). Use of the single-shot spectra provided only a 0.87 and 0.72 sensitivity and specificity, respectively. To increase the statistical validity of chemometric analyses, a library of pseudodata was created by adding Gaussian noise to the measured intensity of every emission line in an averaged spectrum of each bacterium. The normally distributed pseudodata, consisting of 4995 spectra, were used to compare the performance of the PLS-DA with a discriminant function analysis (DFA) and an artificial neural network (ANN). For the highly similar bacterial data, no algorithm showed significantly superior performance, although the PLS-DA performed least accurately with a classification error of 0.21 compared to 0.16 and 0.17 for ANN and DFA, respectively. Single-shot LIBS spectra from all of the bacterial species were classified in a DFA model tested with a tenfold cross-validation. Classification errors ranging from 20% to 31% were measured due to repeatability limitations in the single-shot data.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».