Publicação: Espectroscopia no infravermelho por transformada de Fourier modo de reflexão total atenuada (ATR-FTIR) como plataforma para detecção de Salmonella Typhimurium
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS BIOLOGICAS::GENETICA::GENETICA MOLECULAR E DE MICROORGANISMOS
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Santos, Fabiana de Almeida Araújo
Resumo
A Salmonella é um patógeno responsável por causar diversas doenças transmitidas por alimentos. Esta pesquisa integra a espectroscopia no infravermelho por transformada de Fourier (ATR-FTIR) com inteligência artificial (IA) para identificar Salmonella Typhimurium (ST). Espectros de infravermelho (IR) foram coletados a partir de cinco sorotipos de Salmonella: ST, S. Gallinarum (SG), S. Enteritidis (SE), S. Heidelberg (SH) e S. Dublin (SD). O conjunto de dados foi dividido aleatoriamente em 155 amostras para treinamento e 120 amostras para validação externa, a fim de desenvolver um banco de dados abrangente sobre Salmonella. Os modelos de aprendizado de máquina que demonstraram desempenho preditivo superior incluíram Random Forest, Máquinas de Vetores de Suporte (SVM) e Redes Neurais. O modelo Random Forest alcançou uma precisão notável de 100,00% durante a validação cruzada e 98,33% na validação externa. O estudo identificou o Random Forest para validação externa (sensibilidade: 100,00%, especificidade: 98,00%, AUC: 99,5%) e o SVM (sensibilidade: 100,00%, especificidade: 96,00%, AUC: 98,5%) como os modelos mais eficazes para distinguir ST de outros sorotipos de Salmonella. Os resultados ressaltam que a combinação de ATR-FTIR com aprendizado de máquina oferece uma abordagem diagnóstica rápida, econômica e aplicável in loco, apresentando um grande potencial para a detecção de Salmonella.
Abstract
Salmonella is a significant pathogen implicated in numerous foodborne diseases. This research integrates attenuated total reflectance-Fourier transform infrared spectroscopy (ATR-FTIR) with artificial intelligence (AI) to identify Salmonella Typhimurium (ST). Infrared (IR) spectra were collected from five Salmonella serotypes: ST, S. Gallinarum (SG), S. Enteritidis (SE), S. Heidelberg (SH), and S. Dublin (SD). The dataset was split randomly into 155 samples for training and 120 samples for external validation to develop a comprehensive Salmonella database. The machine learning models demonstrating superior predictive performance included Random Forest, Support Vector Machine (SVM), and Neural Network. Random Forest achieved a remarkable accuracy of 100.00% during cross-validation and 98.33% in external validation. The study identified Random Forest for external validation (sensitivity: 100.00%, specificity: 98.00%, AUC: 99.5%) and SVM (sensitivity: 100.00%, specificity: 96.00%, AUC: 98.5%) as the most effective models for distinguishing ST from other Salmonella serotypes. The findings underscore that combining ATR-FTIR with machine learning offers a rapid, cost-effective, and on-site applicable diagnostic approach, presenting substantial promise for Salmonella detection.
Palavras-chave
ATR-FTIR, ATR-FTIR, Salmonella Typhimurium, Salmonella Typhimurium, Análise de Componentes Principais, Principal Component Analysis, Inteligência Artificial, Artificial Intelligence, Aprendizado de Máquina, Machine Learning, Diagnóstico, Diagnostic
Citação
NUNES, Pedro Lucas Figueiredo. Espectroscopia no infravermelho por transformada de Fourier modo de reflexão total atenuada (ATR-FTIR) como plataforma para detecção de Salmonella Typhimurium. 2024. 58 f. Dissertação (Mestrado em Genética) - Universidade Federal de Uberlândia, Uberlândia, 2024. DOI http://doi.org/10.14393/ufu.di.2024.5196.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Embargado