Eine kostengünstige, tragbare Plattform basierend auf der Autofluoreszenz-Detektion und maschinellem Lernen kann schnell bakterielle Arten identifizieren, um die Bodengesundheit zu bewerten. Die Bakterien im Boden beeinflussen den Nährstoffkreislauf, das Pflanzenwachstum und die allgemeine Gesundheit des Bodens. Herkömmliche Techniken zur Charakterisierung von Bodenmikrobiomen erfordern oft spezialisierte Ausrüstung sowie umfangreiche Zeit und Schulung. Liang et al. entwickelten, bauten und testeten eine tragbare, kostengünstige und schnelle Alternative. Ihre Methode integriert Smartphone-basierte Bildgebung mit maschinellem Lernen zur Klassifizierung von bakteriellen Arten, die in Bodenproben häufig vorkommen, und zur Charakterisierung der Bodengesundheit. Die Autoren nutzten die Autofluoreszenz, die Fähigkeit einiger Bakterien, zu fluoreszieren, wenn sie von bestimmten Lichtwellenlängen angeregt werden. Zuvor galt Autofluoreszenz als unzureichend zur Unterscheidung von bakteriellen Arten. Die Autoren kontern dies, indem sie maschinelles Lernen in ihrer Methode einsetzen.
Zuerst wird die Daten mit einem Smartphone gesammelt, das mit einem Acrylfilterrad ausgestattet ist, um Autofluoreszenz-Bilder von Bakterien zu erfassen, die aus dem Boden extrahiert und mit Licht angeregt wurden. Dann verwenden verschiedene Algorithmen, die auf großen Autofluoreszenz-Datensätzen trainiert wurden, die Bilder, um bakterielle Arten zu identifizieren und die Bodengesundheit zu bewerten. Die Autoren testeten ihre Methode an einzelnen Bakterienarten, verschiedenen Bakterienmischungen und Bodenproben. Die Plattform erreichte eine durchschnittliche Genauigkeit von 88 Prozent bei der Unterscheidung dominanter Bakterienarten. Sie konnte die Bodengesundheit von simulierten Proben charakterisieren und erreichte bei echten Bodenproben insgesamt eine Genauigkeit von 80 Prozent. “Diese Studie zeigt das Potenzial dieses Smartphone-basierten Systems als wertvolles Werkzeug für die Vor-Ort Bodenbewertung, mikrobielle Überwachung und Umweltmanagement”, sagte der Autor Jeong-Yeol Yoon. Die Autoren erwägen die Entwicklung einer Smartphone-App für dieses System, das leicht in Feld verwendet werden kann. Die Arbeit ist Teil der Materials and Technologies for Bioimaging and Biosensing Sammlung, weitere Informationen finden Sie hier.