Desarrollan método rápido para identificar bacterias en muestras de sangre

 

Se ha desarrollado una herramienta de diagnóstico, de escritorio, que detecta la presencia de bacterias dañinas en una muestra de sangre en cuestión de horas en lugar de días. La herramienta fue hecha posible gracias a una combinación de una química patentada, una ingeniería eléctrica innovadora y la y imagenología de alta gama, además de técnicas de análisis impulsadas por el aprendizaje automático.

 

Los bioingenieros de la Universidad de California en San Diego (La Jolla, CA, EUA) extrajeron y purificaron sangre de una muestra clínica conocida como negativa para bacterias. Se añadieron aproximadamente 2.000 genomas de Listeria monocytogenes a la extracción de sangre purificada. Luego se agregó la cantidad máxima de sangre y de mezcla de ADN bacteriano (8,63 μL), a la mezcla maestra de reacción en cadena de la polimerasa (PCR). El ADN se colocó entonces en un chip digital que permitía que cada pieza se multiplicara independientemente en su propia reacción pequeña. Para que el proceso funcionara a tan pequeñas escalas, cada pozo, que contenía ADN en el chip, tenía sólo 20 pL de volumen.

 

Se usó un termociclador PTC-200 de MJ Research (MJ Research, Waltham, MA, EUA), para la amplificación de los puntos finales. Los ingenieros tomaron imágenes del proceso de fusión con el microscopio de alto rendimiento y las imágenes fluorescentes se obtuvieron utilizando una plataforma Nikon Eclipse Ti (Nikon, Melville, NY, EUA) y fueron capaces de capturar las curvas de fusión de las bacterias. A continuación, analizaron las curvas con un algoritmo de aprendizaje de máquinas que desarrollaron. En un trabajo anterior, el algoritmo había sido entrenado en 37 tipos diferentes de bacterias que experimentaban diferentes reacciones en diferentes condiciones. Los científicos demostraron que era capaz de identificar las cepas bacterianas con un 99% de exactitud y, por el contrario, la tasa de error de los métodos tradicionales puede ser de hasta 22,6%.

 

El equipo concluyó que las curvas de fusión resultantes, específicas para las bacterias, son identificadas mediante el aprendizaje automático de soporte vectorial y que se pueden cuantificar las cargas de patógenos individuales. La plataforma reduce los volúmenes de reacción en un 99,995% y alcanza un aumento de más de 200 veces en el intervalo dinámico de detección en comparación con los métodos tradicionales de PCR de alta resolución de fusión (HRM). El estudio fue publicado el 8 de febrero de 2017, en la revista Scientific Reports.