СПОСОБ И СИСТЕМА ИДЕНТИФИКАЦИИ МИКРООРГАНИЗМОВ Российский патент 2023 года по МПК G01N21/35 

Область техники, к которой относится изобретение

Настоящее изобретение относится к способу идентификации микроорганизмов, применимому в медицине, клинических исследованиях, ветеринарии, сельском хозяйстве, пищевой промышленности и в области охраны окружающей среды, в котором используются статистические методы, такие как, например, методы многопараметрического анализа спектральных профилей или, альтернативно, нейронные сети, для идентификации и получения информации в отношении роста микроорганизмов за чрезвычайно короткое время по сравнению с обычными способами.

В частности, изобретение предлагает аналитический инструмент для идентификации микроорганизмов посредством анализа спектрального профиля колебательного спектра неизвестного образца и сравнения спектрального профиля со спектрами образцов, ранее собранных и сохраненных в базе данных.

Уровень техники

Использование методов колебательной спектроскопии для идентификации микроорганизмов известно в уровне техники.

Например, инфракрасная спектроскопия с преобразованием Фурье (FTIR) является неразрушающей аналитической технологией, позволяющей получить информацию по химическому составу анализируемого образца. Эту технологию использовали для анализа биологических образцов с начала 1990-х годов (Diem M. и соавт., The Analyst [27 августа 2004, 129 (10): 880-885]).

В то же время была показана способность технологии FTIR идентифицировать и классифицировать неизвестные микроорганизмы (Helm D. и соавт., Journal of General Microbiology (1991, 137, 69-79), а также Marley L. и соавт., Vibrational Spectroscopy 26,2, 2001, 151-159).

Известно, что различные виды, подвиды или подклассификации микроорганизмов характеризуются точным биохимическим составом в отношении белков, жиров, нуклеиновых кислот и полисахаридов, который отражается в характерном колебательном спектре (под ред. Griffiths и Chalmers, 2001 Handbook of vibrational spectroscopy, John Wiley & sons, New York, Volume 5).

Некоторые потенциальные применения технологии FTIR в микробиологии включают:

(i) идентификацию патогенов в области медицины или ветеринарии, например, в клинической лаборатории;

(ii) эпидемиологические исследования, тематические исследования, скрининг патогенов, проверка соблюдений требований гигиены, определение инфекционных цепочек, контроль лечения и обнаружение рецедивирующих инфекций;

(iii) характеристика и скрининг микроорганизмов окружающей среды;

(iv) мониторинг биотехнологических процессов;

(v) микробиологический контроль качества в пищевой или фармацевтической промышленности;

(vi) сохранение собираемых штаммов.

Известны способы идентификации микроорганизмов, основанные на технологиях сравнительного анализа спектра неизвестного образца и спектров известных видов микроорганизмов, сохраняемых в базе данных.

Примеры известных способов идентификации этого типа приведены в документах US5660998A, CN103217398A, US6379920B1, WO2006002537A1, US9551654B2, US20170167973A1, WO2017/210783A1, Sousa и соавт., European Journal of Clinical Microbiology & Infectious Diseases (2014) 33: 1345-1353, Whittaker и соавт., Journal of Microbiological Methods 55 (2003) 709-716, Wang и соавт., International Journal of Food Microbiology 167 (2013) 293-302.

Другой способ описан в патентной заявке PCT/IT2019/050025 на имя заявителя.

Однако во множестве известных способов получение спектра выполняется в режимах пропускания, отражения или визуализации.

Например, получение спектра в режиме пропускания или отражения отражены в документах US5660998 и US6379920, а режимы визуализации рассматриваются в WO2006002537A1, US9551654B2, US20170167973A1.

Недостатки этих способов связаны с тем, что получаемый сигнал непосредственно зависит от толщины и морфологии образца, если толщина образца слишком большая, это приводит к созданию насыщения, если образец неоднородный, то будут искажения по причине рассеяния.

Кроме того, известно, что основанные на методах визуализации способы, например, мультипиксельные технологии, могут характеризоваться ограничениями по разрешению индивидуальных спектров, что связано с более низким соотношением сигнал/шум на пиксель по сравнению с одноточечными детекторами.

Еще один недостаток способов существующего уровня техники связан с тем, что часто спектры могут содержать сигналы, вызванные водой или другими загрязняющими веществами, которые перекрывают специфические сигналы микроорганизмов.

В некоторых случаях, как, например, в CN103217398A, можно применять методики сушки, но, как отмечено в WO 2017/210783A1, эти методики могут оказывать повреждающие и необратимые воздействия на микроорганизм, модифицируя при этом его спектр.

В некоторых случаях, как, например, в WO 2017/210783 A1, с целью удаления водных компонентов из спектра можно выполнить несколько запросов на получение спектров. Однако это решение имеет недостатки, связанные с большим временем анализа и большей сложностью аналитических методик сравнения спектров.

Еще один недостаток существующего уровня техники заключается в том, что часто справочные базы данных содержат ограниченное количество видов микроорганизмов и, таким образом, не охватывают широкий диапазон возможных видов.

Например, база данных и связанный с ней способ идентификации, представленный в CN103217398A, относится к 13 видам бактерий.

Более того, с увеличением размеров справочных баз данных возникает серия проблем, связанных с методиками культивирования и роста видов микроорганизмов, с процедурами получения спектра и процедурами сравнительного анализа.

Например, с увеличением размера базы данных время анализа неизвестного образца также возрастает, так как спектр неизвестного образца необходимо сравнить с большим количеством спектров, содержащихся в базе данных.

Более того, одни и те же виды микроорганизмов могут проявлять большую вариабельность в отношении спектральных характеристик, что затрудняет их сравнение со спектрами из базы данных.

Эта вариабельность может быть обусловлена наличием различных штаммов каждого вида или различиями между различными культурами одного вида, вызванными возможными вариациями химического состава культуральной среды и (или) условий роста.

Таким образом, существует потребность в разработке новых способов идентификации микроорганизмов, которые могут работать для большого количества классификаций микроорганизмов (например, таксономических категорий или фенотипических или генотипических групп) и с большой вариабельностью справочной базы данных.

Таким образом, одна цель настоящего изобретения заключается в предложении способа идентификации, который сможет определить, принадлежат ли образцы неизвестных микроорганизмов одной или более категорий и (или) групп, описанных выше.

Еще одна цель настоящего изобретения заключается в предложении способа идентификации микроорганизмов, который позволяет различить между различными штаммами одних видов, подвидов или подклассификаций микроорганизмов, возможно выращенными в различных культурах на различных средах или в различных условиях окружающей среды в присутствии или отсутствии биологических жидкостей и (или) сложных матриц.

Другая цель настоящего изобретения заключается в предложении способа идентификации микроорганизмов, который является точным, требует небольшого времени для каждого индивидуального анализа и не требует значительных вычислительных мощностей, даже в случае больших баз данных.

Другая цель настоящего изобретения заключается в предоставлении устройства, которое может легко реализовать способ идентификации микроорганизмов, интегрирующий все различные этапы анализа и инструментальные компоненты.

Другая цель настоящего изобретения заключается в предоставлении устройства и способа, которые не требуют непрерывного или частичного соединения с интернетом для удаленной обработки данных и последующего достижения результата.

Автор изобрел, проверил и воплотил в жизнь настоящее изобретение с целью преодоления недостатков уровня техники и достижения этих и других целей и преимуществ.

Раскрытие сущности изобретения

Настоящее изобретение представлено и охарактеризовано независимыми пунктами формулы изобретения. Зависимые пункты описывают другие характеристики изобретения или варианты основной идеи изобретения.

Настоящее изобретение касается способа идентификации микроорганизмов и, в частности, способа, позволяющего идентифицировать микроорганизмы в неизвестном образце, сравнивая колебательный спектр указанного неизвестного образца с заранее рассчитанной моделью, созданной из колебательных спектров сравнения известных образцов, которые ранее были заархивированы в базе данных.

Способ идентификации микроорганизмов по настоящему изобретению содержит следующие этапы:

- этап приготовления базы данных из спектров сравнения образцов известных микроорганизмов;

- один или более этапов создания множества заранее рассчитанных моделей, связанных с категориями и (или) классификационными группами иерархических организованных микроорганизмов, от более широких категорий и (или) классификационных групп до меньших категорий и (или) классификационных групп, причем каждая заранее рассчитанная модель содержит позволяющие провести идентификацию спектральные характеристики, связанные с категорией и (или) классификационной группой микроорганизмов;

- один этап отбора пробы неизвестного образца;

- один или более этапов получения спектра неизвестного образца;

- один или более этапов обработки спектра неизвестного образца;

- один или более этапов анализа, в каждом из которых предлагается последовательно провести множество подэтапов сравнения спектра неизвестного образца с указанными заранее рассчитанными моделями, причем в ходе каждого подэтапа методами многопараметрического анализа спектр неизвестного образца сравнивают с заранее рассчитанными моделями постепенно уменьшающихся категорий и (или) классификационных групп с целью предоставления по меньшей мере баллов, демонстрирующих принадлежность неизвестного образца к категориям и (или) классификационным группам микроорганизмов;

- один или более этапов управления, на которых запрашивают новый этап получения спектра неизвестного образца, если параметры надежности ниже заранее заданных показателей приемлемости, или предоставляют конечный результат способа, который может содержать неуспешную идентификацию или успешную идентификацию.

В соответствии с некоторыми воплощениями, этап приготовления базы данных из спектров сравнения, связанных с образцами известных микроорганизмов, содержит, для каждого образца:

- этап отбора пробы известного образца, возможно, полученного при выращивании на твердой или жидкой среде в присутствии или отсутствии биологических жидкостей и (или) сложных матриц;

- один или более этапов получения спектра известного образца;

- один или более этапов обработки спектра известного образца.

В соответствии с первым воплощением способа, неизвестный образец и (или) известный образец может быть образцом, полученным при выращивании с использованием любой подходящей среды, например, твердой или жидкой, возможно в присутствии или отсутствии биологических жидкостей и (или) сложных матриц.

В соответствии с другим воплощением, неизвестный образец и (или) известный образец можно непосредственно получить из нативных образцов без фазы роста.

В соответствии с некоторыми воплощениями, этап подготовки базы данных можно выполнить только один раз для создания базы данных, которую затем можно использовать для каждого последующего анализа неизвестных образцов.

В соответствии с некоторыми воплощениями, этап подготовки базы данных может также означать обновление базы данных, выполняемое, когда требуется включить новые категории и (или) классификационные группы микроорганизмов, тем самым расширяя диапазон применимости способа.

Аналогично, заранее рассчитанные модели после своего создания могут использоваться для каждого последующего анализа неизвестных образцов, или их можно обновлять каждый раз, когда это желательно, с целью добавления новых категорий и (или) классификационных групп микроорганизмов.

В соответствии с настоящим изобретением, спектры получают при помощи устройства, способного обнаруживать поглощение инфракрасного излучения в прямом или непрямом режиме, такого как, например, колебательный спектрофотометр.

В соответствии с некоторыми воплощениями, изобретение может использовать режим непрерывного считывания сигнала как в отсутствии, так и в присутствии образца, непрерывный режим способствует, соответственно, операциям очистки прибора и объективной оценке спектральных параметров (например, интенсивности сигнала, отношения сигнала к шуму, формы спектра, оптимального уровня сушки) в качестве подготовки к получению спектра.

Преимущественно, в соответствии с настоящим изобретением, обеспечивается мониторинг спектральных параметров, таких как описаны выше, это позволяет стандартизировать качество получаемого спектра, делая процесс не зависящим от последующей оценки оператором.

Таким образом, получаемые в этом режиме спектры относятся к образцам, которые характеризуются фактически одинаковым уровнем интенсивности и сушки и, таким образом, более сопоставимы друг с другом.

В соответствии с некоторыми воплощениями, в настоящем изобретении предлагается использование алгоритмов, которые автоматически идентифицируют наиболее значимые требуемые для идентификации спектральные характеристики классификационных групп.

Эта характеристика позволяет значительно уменьшить время, требуемое на этапе анализа, что дает возможность ускорить процесс и повысить точность идентификации.

Преимущественно, в отношении способов из уровня техники, последовательное использование множества заранее рассчитанных моделей, связанных с классификационными группами иерархически организованных микроорганизмов, позволяет снизить вычислительные мощности, необходимые для идентификации неизвестного образца, не требует подключения к интернету, которое необходимо при использовании распределенных или удаленных компьютерных систем для обработки данных.

Эти характеристики позволяют увеличить размер базы данных, что позволяет идентифицировать множество видов, подвидов, классификаций или подклассификаций различных микроорганизмов, различных штаммов одного вида, подвида или подсемейства, также возможно выращенных в различных культурах на различных средах или в различных условиях окружающей среды, возможно, в присутствии биологических жидкостей и (или) сложных матриц.

Настоящее изобретение также касается устройства для выполнения описанного здесь способа идентификации микроорганизмов, содержащего устройство для детектирования колебательного профиля, которое содержит источник излучения, детектор, зону сбора информации, определяемую как место, в котором должен быть расположен анализируемый образец, а также электронное устройство, стационарного или переносного типа, связанное с устройством для детектирования, в котором установлена система обработки информации и система отображения данных.

В соответствии с некоторыми воплощениями, заранее рассчитанные модели сохраняются в электронном устройстве, эти модели ассоциированы с классификационными группами иерархически организованных микроорганизмов, от более широких к меньшим классификационным группам, каждая заранее рассчитанная модель содержит позволяющие провести идентификацию спектральные характеристики, ассоциированные с категорией и (или) классификационной группой микроорганизмов.

Краткое описание чертежей

Эти и другие аспекты, характеристики и преимущества настоящего изобретения будут понятны со ссылкой на следующее описание, чертежи и прилагаемую формулу изобретения. Чертежи, которые являются неотъемлемой частью описания, демонстрируют некоторые воплощения настоящего изобретения и вместе с описанием иллюстрируют принципы раскрытия.

Настоящее изобретение может быть лучше описано и продемонстрировано с помощью следующих чертежей:

фиг. 1 - схематическое представление возможного устройства в соответствии со способом по настоящему изобретению;

фиг. 2 – блок-схема, на которой в качестве примера показаны этапы одного воплощения способа по настоящему изобретению;

фиг. 3а и 3b - показаны экспериментальные данные, собираемые при помощи технологии FTIR-ATR; на фиг. 3а показаны собранные исходные данные, в которых каждый вид представлен своим цветом, а на фиг. 3b показаны преобразованные данные;

фиг. 4а и 4b - соответственно, графические представления подэтапов для классификации неизвестного образца, получаемого на этапе Е, а в соответствующей таблице представлены баллы, генерируемые на этапе F для определения надежности идентификации;

фиг. 5 - матрица смешения, получаемая в ходе перекрестной валидации способа в соответствии с описанными здесь воплощениями со спектрами базы данных и используемая для оценки классификации микроорганизмов в соответствии с категорией «рода».

С целью облегчения понимания везде, где возможно, для обозначения идентичных общих элементов на чертежах используются одинаковые позиции. Следует понимать, что элементы и характеристики одного воплощения можно беспрепятственно включать в другие воплощения без дополнительных уточнений.

Осуществление изобретения

Далее мы подробно опишем различные воплощения настоящего изобретения, один или более примеров которых показаны на приложенных чертежах. Каждый пример предоставляется для иллюстрации изобретения, и его не следует понимать как ограничение изобретения. Например, характеристики, представленные или описанные как часть одного воплощения, можно адаптировать или использовать в связи с другими воплощениями с целью получения еще одного воплощения. Понятно, что настоящее изобретение должно содержать все такие модификации и варианты.

Перед рассмотрением этих воплощений мы должны также уточнить, что настоящее описание не ограничивает заявку деталями конструкции и расположения компонентов, как показано в следующем описании с использованием прилагаемых чертежей. В настоящем описании могут предлагаться другие воплощения, и они могут быть получены или выполнены различными другими способами. Следует должны уточнить, что фразеология и терминология использована здесь только для описания и не может считаться ограничивающей.

Если не указано другое, все технические и научные термины, используемые здесь и далее, имеют такое же значение, как обычно используют специалисты в области техники, к которой относится изобретение.

Хотя на практике или в ходе испытаний для проверки данного изобретения можно использовать способы и материалы, подобные или эквивалентные описанным здесь, способы и материалы описаны здесь в качестве примера. В случае конфликта превалирует настоящая заявка, содержащая определения. Материалы, способы и примеры являются исключительно иллюстративными и не должны считаться ограничивающими.

Здесь и далее под образцом мы понимаем минимальное количество любого вещества вообще, содержащего микробиологические организмы, такие как, например, микроорганизмы, но не только, для аналитических целей.

Иногда при необходимости мы будет обозначать образец как неизвестный образец или известный образец, если состав микроорганизмов, соответственно, неизвестен или известен.

В соответствии с некоторыми воплощениями, микроорганизмы могут представлять медицинский, клинический интерес, а также интерес для ветеринарии, сельского хозяйства, пищевой промышленности, а также для охраны окружающей среды.

На фиг. 1 схематически изображено устройство 10 для идентификации микроорганизмов в соответствии с настоящим изобретением.

В соответствии с некоторыми воплощениями, для прямой или косвенной регистрации поглощения инфракрасного излучения в устройстве используется такое устройство, как, например:

- инфракрасный (ИК) спектрофотометр, возможно осуществляющий Фурье-преобразование ИК излучения;

- рамановский спектрометр;

- фототермический спектрометр;

- фотоакустический спектрометр;

- сочетание одного из перечисленных выше приборов с резонансными технологиями, в том числе не для усиления сигнала, такие как резонансная рамановская, усиленная поверхностью, усиленная поверхностью рамановская спектроскопия (SERS), усиленное поверхностью поглощение в ИК области (SEIRA), резонансное усиленное поверхностью поглощение в ИК области (резонансное SEIRA), усиленная на острие рамановская спектроскопия (TERS).

Применимость настоящего изобретения, фактически, не ограничена типом технологии, используемой для получения колебательного профиля неизвестного образца, и описанные здесь способ или устройство можно использовать в сочетании с любым типом колебательного спектра.

Например, это устройство содержит спектрофотометр для колебательной спектроскопии типа FTIR, который может использовать любой режим получения колебательного спектра образцов, такой как, например, ATR (Attenuated Total Reflectance, нарушенное полное внутреннее отражение), и в этом случае оно будет называться FTIR-ATR спектрофотометр (фиг. 1).

Спектрофотометр может сочетаться с системой обработки и вывода данных на экран.

Система обработки и вывода данных может, например, быть интегрирована в единую систему обработки и вывода и (или) может содержаться в электронном устройстве 15, таком как, например, оборудованный экраном персональный компьютер или переносное устройство, такое как сотовый телефон или планшетный компьютер.

В соответствии с некоторыми воплощениями, система обработки содержит компьютерную программу, которая может сохраняться в среде, доступной для чтения электронным устройством 15, и которая содержит инструкции, которые могут быть выполнены устройством 10 каждый раз, когда это требуется.

Далее для простоты демонстрации будут сделаны ссылки на электронное устройство 15 для обозначения набора программных и аппаратных систем, способных управлять устройством 10, а также обрабатывать и выводить данные на экран.

Спектрофотометр, сам по себе известный в виде своих основных компонентов, содержит по меньшей мере источник 13 излучения 17 и детектор 14.

Для простоты на фиг. 1 не показаны другие компоненты спектрофотометра, такие как монохроматор, прерыватель, интерферометр.

Источник 13 может испускать любой тип излучения 17, подходящий для возбуждения молекул, присутствующих в образце, например, в случае ИК, FTIR или FTIR-ATR спектрофотометра это может быть источник инфракрасного излучения 17.

В соответствии с некоторыми воплощениями, источник 13 может быть излучателем черного тела типа Globar или квантовым каскадным лазером (QCL) или обычным лазером с излучением в инфракрасной области.

В соответствии с некоторыми воплощениями, например, если спектрофотометр основан на рамановских технологиях, источник 13 может быть лазерным источником 13 монохроматического света, возможно, частота которого связана с инфракрасной областью или даже выше, в зависимости от конкретного типа используемой рамановской технологии.

В соответствии с некоторыми воплощениями, излучение 17, испускаемое источником 13, то есть падающее излучение 17а может быть направлено, возможно при помощи отражающих элементов 16, к образцу, расположенному в зоне 18 сбора информации.

В воплощениях, когда используется режим ATR, падающее излучение 17а может быть направлено на отражающие элементы 16, чтобы повлиять на внутренний отражающий элемент.

В соответствии с некоторыми воплощениями, внутренний отражающий элемент может, например, быть кристаллом 12.

В соответствии с некоторыми воплощениями, кристалл 12 может быть кристаллом 12 с высоким показателем преломления.

В соответствии с некоторыми воплощениями, кристалл 12 может быть кристаллом 12, изготовленным из алмаза, ZnSe, кремния или германия.

Преимущественно, если кристалл 12 представляет собой алмазный кристалл 12, он характеризуется преимуществом большей надежности, чем ZnSe, кремний или германий, при использовании для сравнимых измерений, и имеет больший диапазон прозрачности.

Отражение излучения 17 внутри кристалла 12 создает затухающее поле на поверхности кристалла 12, на котором может быть определена зона 18 сбора данных.

Это затухающее поле может проникать в образец на определенную глубину, которая, в зависимости от ситуации, может достигать нескольких микрон.

В частности, эта глубина является функцией угла падения и длины волны падающего излучения 17а, а также показателя преломления материала, используемого для кристалла 12, и, таким образом, может считаться фактически постоянной для всех анализируемых образцов.

По этой причине преимущественно режим ATR позволяет получить спектры, которые не зависят от оптического пути излучения через образец и, таким образом, не зависят от толщины образца, что гарантирует более высокую воспроизводимость, по сравнению с подходами, при которых используется пропускание или отражение.

Более того, этот режим позволяет ограничивать или предотвращать явление рассеяния и (или) насыщения сигнала, которые могут отрицательно повлиять на качество спектра.

Таким образом, этот режим гарантирует большую повторяемость измерения и более простое приготовление образца.

Излучение 17 на выходе, после взаимодействия с образцом, то есть исходящее излучение 17b, затем направляется отражающими элементами 16 к детектору 14.

В соответствии с некоторыми воплощениями, детектор 14 может быть детектором DLaTGS (триглицина сульфат с добавлением дейтерированного L-аланина).

В соответствии с альтернативными воплощениями, детектор 14 может быть детектором DTGS. В соответствии с альтернативными воплощениями, детектор 14 может быть детектором MCT (меркурия кальция теллурид), в виде одного устройства или в составе массива.

В соответствии с альтернативными воплощениями, детектор 14 может быть детектором CCD.

В соответствии с альтернативными воплощениями, детектор может быть болометром или микроболометром, в виде одного устройства или в составе массива.

Например, детектор 14 преобразует оптическую информацию, содержащуюся в исходящем излучении 17b, в электрические сигналы, которые передаются на электронное устройство 15.

В соответствии с некоторыми воплощениями, устройство расположено так, чтобы снимать спектры в NIR области (ближняя ИК область) и (или) в MIR (средняя ИК область) и (или) в FIR (дальняя ИК область).

В соответствии с некоторыми воплощениями, устройство 10 может работать в режиме непрерывного сбора информации, то есть, выводя на экран электронного устройства 15 в режиме реального времени ту информацию, которая каждый раз запрашивается в зоне сбора информации 18.

Настоящее изобретение также касается способа идентификации микроорганизмов в составе образца путем оценки колебательного профиля, схематически отображенного на фиг. 2. Способ содержит следующие этапы:

- этап А подготовки базы данных спектров сравнения известных образцов известных микроорганизмов, содержащий:

- один или более этапов А1 отбора известного образца;

- один или более этапов A2 получения спектра известного образца;

- один или более этапов A3, возможно автоматизированных, обработки спектра известного образца для того, чтобы по меньшей мере идентифицировать спектральные области, в которых следует оценивать наличие позволяющих провести идентификацию спектральных характеристик каждой категории и (или) классификационной группы;

- один или более этапов A4 создания множества заранее рассчитанных моделей, связанных с категориями и (или) классификационными группами иерархически организованных микроорганизмов, от более широких категорий и (или) классификационных групп к меньшим категориям и (или) классификационным группам, каждая заранее рассчитанная модель содержит позволяющие провести идентификацию спектральные характеристики, связанные с категорией и (или) классификационной группой микроорганизмов;

- этап В отбора пробы неизвестного образца;

- один или более этапов С получения спектра неизвестного образца;

- один или более этапов D обработки спектра неизвестного образца на основании того, что определено на этапе А3;

- один или более этапов E, каждый из которых предназначен для последовательного проведения множества подэтапов сравнения спектра неизвестного образца с указанными заранее рассчитанными моделями, причем в ходе каждого подэтапа методами многопараметрического анализа спектр неизвестного образца сравнивают с заранее рассчитанными моделями постепенно уменьшающихся категорий и (или) классификационных групп с целью предоставления по меньшей мере баллов, демонстрирующих принадлежность неизвестного образца к категориям и (или) классификационным группам микроорганизмов;

- один или более этапов F управления, на которых запрашивают новый этап получения спектра C неизвестного образца, если параметры надежности ниже заранее заданных показателей приемлемости, или предоставляют конечный результат способа, который может содержать неуспешную идентификацию J или успешную идентификацию G, H, I.

В соответствии с некоторыми воплощениями, указанные этапы A1, A2, A3 можно повторять, когда желательно включить в базу данных новый известный образец.

В соответствии с некоторыми воплощениями, на этапах отбора проб B, A1 образец можно подвергать предварительным процедурам добавления к микроорганизмам питательных веществ.

В соответствии с некоторыми воплощениями, образец можно выращивать на твердой культуральной среде.

В соответствии с некоторыми воплощениями, образец можно выращивать в чашках Петри.

В соответствии с некоторыми воплощениями, образец можно выращивать на жидкой культуральной среде, а затем центрифугировать, получая концентрированный осадок.

В соответствии с некоторыми воплощениями, образец можно выращивать на жидкой культуральной среде или в жидком культуральном бульоне, а затем фильтровать.

В соответствии с некоторыми воплощениями, образец можно выращивать на жидкой культуральной среде или в жидком культуральном бульоне, а затем подвергать процедурам концентрирования или обогащения с целью повышения концентрации присутствующих микроорганизмов.

В соответствии с другими воплощениями, анализируемый образец можно получить непосредственно из нативного образца без фазы роста.

В соответствии с некоторыми воплощениями, образец может содержать биологические жидкости и (или) сложные матрицы происхождения от человека, животных, из окружающей среды, сельского хозяйства и пищевых продуктов. В соответствии с некоторыми воплощениями, этапы получения спектра C и A2 могут содержать предварительный этап очистки поверхностей устройства, контактирующего с образцом, например, зоны сбора информации 18, показанной на фиг. 1.

В соответствии с некоторыми воплощениями, можно получать фоновые спектры, например, в режиме непрерывного сбора информации, с целью проверки эффективности такой очистки, например, по исчезновению полос поглощения, связанных с примесями, из зоны сбора информации 18.

В соответствии с некоторыми воплощениями, на этапах получения спектра C и A2 также предлагается, чтобы образец для анализа размещали в зоне сбора информации 18, возможно, расположенной на кристалле 12 спектрофотометра.

В соответствии с некоторыми воплощениями, образец для анализа размещают в зоне сбора информации 18 в твердой форме, например, путем его извлечения и размещения при помощи одноразовой палочки.

В соответствии с некоторыми воплощениями, образец можно прижать к зоне сбора информации 18, например, используя динамометрический пресс.

В соответствии с некоторыми воплощениями, спектроскопически отслеживают уровень сухости образца и спектральные параметры (например, интенсивность сигнала, отношение сигнала к шуму, форма спектра) перед получением спектра.

В соответствии с некоторыми воплощениями, возможно оценивать содержание воды, покидающей устройство, в режиме непрерывного сбора информации, отслеживая уменьшение, вплоть до возможного полного исчезновения, полос поглощения, относящихся к спектральным характеристикам воды, в соответствующих диапазонах волновых чисел.

В соответствии с настоящим изобретением, спектр образца получают, когда достигается заранее заданный стандартный уровень сухости и значения спектральных параметров.

Преимущественно, эта характеристика позволяет преодолеть или по меньшей мере ограничить проблему уровня техники, при которой спектр может содержать сигналы, вызванные наличием воды, которые перекрывают или интерферируют со специфическими сигналами микроорганизмов.

В ходе этапов получения спектра C, A2 также предлагается регистрировать спектр, получаемый в ходе анализа образца.

В соответствии с некоторыми воплощениями, регистрация спектра обеспечивает получение заранее заданного количества последовательных спектров, которые затем усредняют для улучшения отношения сигнала к шуму.

В соответствии с некоторыми воплощениями, количество спектров, которые можно получить и усреднить для каждого анализа, находится в диапазоне от 8 до 512, предпочтительно от 32 до 256 для каждого анализа, более предпочтительно от 64 до 128 для каждого анализа.

Этапы D, A3 обработки спектра или усреднения спектра могут обеспечить следующее:

- идентификацию, возможно автоматическую, спектральных областей, в которых проводят оценку наличия спектральных характеристик, идентифицирующих каждую категорию и (или) классификационную группу;

- использование алгоритмов линейной и (или) нелинейной интерполяции и соотнесения спектральных профилей;

- расчет первой и второй производной спектрального профиля;

- нормализацию производных с помощью алгоритмов векторной нормализации во всем спектральном диапазоне. Например, на фиг. 3а показаны спектры, которые можно собрать для различных образцов, а на фиг. 3b показаны спектры после обработки.

Повторяя этапы A1, A2, A3 для нескольких известных образцов, можно получить базу данных спектров сравнения известных микроорганизмов.

Однако, в соответствии с некоторыми воплощениями настоящего способа, предполагается также, что база данных может содержать спектры известных микроорганизмов, полученные другими способами.

В соответствии с некоторыми воплощениями, база данных содержит спектры, относящиеся к мономикробным культурам, принадлежащим к различным классификационным группам известных микроорганизмов.

В соответствии с некоторыми воплощениями, база данных содержит спектры, относящиеся к различным штаммам известных микроорганизмов для каждой категории и (или) классификационной группы.

В соответствии с некоторыми воплощениями, база данных содержит спектры, относящиеся к образцам, выращенным на культуральной среде, например, но не только, на агаре, агаре CNA, агаре CLED, кровяном агаре, хромогенном агаре, агаре Сабуро.

В соответствии с некоторыми воплощениями, база данных содержит спектры, относящиеся к образцам, выращенным на жидком бульоне для роста, которые затем центрифугируют или фильтруют, или обогащают для получения осадка концентрированных образцов.

В соответствии с некоторыми воплощениями, база данных содержит спектры, относящиеся к образцам, полученным без фазы роста, то есть, полученным из нативных образцов, непосредственно из любого вещества или материала.

Преимущественно, измерение спектров, полученных в ходе роста в жидком бульоне и последующего осаждения или фильтрации или обогащения, позволяют идентифицировать спектры непосредственно в присутствии биологических жидкостей, например, жидкостей организма и (или) сложных матриц.

Эта гетерогенность и вариабельность спектров, содержащихся в базе данных, позволяет выполнить общий анализ, который дает возможность идентифицировать микроорганизмы, учитывая эффекты, связанные с ростом на различных культуральных средах.

В соответствии с воплощениями, когда каждый спектр получают несколько раз, в базу данных можно включить несколько индивидуальных спектров и (или) средний спектр, рассчитанный для повторов.

Этап А4 предполагает создание, начиная от спектра из базы данных, заранее рассчитанных моделей, то есть, справочных библиотек, содержащих позволяющие провести идентификацию спектральные характеристики, связанные с классификационными группами иерархически организованных микроорганизмов.

В соответствии с некоторыми воплощениями, заранее рассчитанные модели можно сохранять в электронном устройстве 15 устройства 10.

В соответствии с некоторыми воплощениями, позволяющие провести идентификацию спектральные характеристики могут, например, содержать формы, размеры, интенсивности и площади пиков, корреляции и отношения между интенсивностями или между площадями различных пиков, частоты максимальных значений пиков.

В соответствии с некоторыми воплощениями, позволяющие провести идентификацию спектральные характеристики могут содержать спектральные профили в спектральных зонах от 950 до 1280 см^-1 (связанных с нуклеиновыми кислотами, углеводами и полисахаридами), от 1280 до 1480 см^-1 (связанных с крахмалами, например, белков, метилом и метиленом, например, липидов), от 1700 до 1800 см^-1 (связанных с карбонильными группами, например, липидов), от 2800 до 3000 см^-1 (связанных алифатическими цепями, например, липидов), показанные, например, в фиг. 3а и 3b.

В соответствии с некоторыми воплощениями, классификационные группы могут содержать таксономические категории, такие как, например, домен, биологическое царство, тип, класс, отряд, семейство, триба, род, вид, подвид.

В соответствии с некоторыми воплощениями, классификационные группы могут, например, быть прокариотами, эукариотами, археями, грамм-положительными бактериями, грамм-отрицательными бактериями, дрожжевыми грибами, нитчатыми грибами.

В соответствии с дополнительными воплощениями, классификационные группы могут, например, быть таксономическими категориями и (или) фенотипическими группами и (или) генотипическими группами.

В соответствии с некоторыми воплощениями, классификационные группы могут быть иерархически организованы от более широких классификационных групп к меньшим классификационным группам, так что более широкие классификационные группы содержат множество меньших классификационных групп, например, один род микроорганизмов может включать несколько видов, и один вид микроорганизмов может включать несколько подвидов.

В соответствии с некоторыми воплощениями, заранее рассчитанные модели могут содержать список позволяющих провести идентификацию спектральных характеристик, относящихся к каждой категории и (или) классификационной группе.

На этапе А4 спектры из базы данных затем сравнивают для выявления позволяющих провести идентификацию спектральных характеристик, общих для классификационных групп микроорганизмов.

В соответствии с некоторыми воплощениями, можно предоставить автоматическую систему распознавания для выявления позволяющих провести идентификацию спектральных характеристик, связанных с классификационными группами.

В соответствии с некоторыми воплощениями, связанные с классификационными группами позволяющие провести идентификацию спектральные характеристики можно определить при помощи упомянутых ниже технологий и (или) подходов статистического анализа, основанных на нейронных сетях и (или) машинном обучении.

В соответствии с некоторыми воплощениями, можно, таким образом, создать произвольное количество заранее рассчитанных моделей на основании классификационных групп.

Таким образом, каждый раз, когда на этапе анализа Е спектр неизвестного образца сравнивают с моделью, это сравнение можно проводить только для спектральных интервалов и (или) в отношении спектральных характеристик, представляющих наибольший интерес, а не в целом спектральном диапазоне и (или) не для всех спектральных характеристик.

Например, если требуется в целом спектральном диапазоне сравнить спектр неизвестного образца, полученный с разрешением 1 см^-1, с базой данных, которая содержит, например, 18000 спектров сравнения, полученных с тем же разрешением, то в соответствии со способами из уровня техники, это сравнение потребует оценки 65 миллионов точек.

Автор обнаружил, что при использовании заранее рассчитанных моделей в соответствии с настоящим изобретением это сравнение потребует оценить количество точек, которое от 20 до 80 раз меньше, чем согласно способам из уровня техники.

Таким образом, использование заранее рассчитанных моделей позволяет снизить требуемые вычислительные ресурсы, что тем самым позволяет исключить удаленный анализ данных и (или) распределенные вычисления, даже при наличии больших баз данных.

Эта характеристика, таким образом, позволяет значительно увеличить размер баз данных, так чтобы они содержали большое количество классификационных групп, что улучшает и расширяет прогностическую эффективность и идентификационную эффективность способа по настоящему изобретению.

Эта характеристика также позволяет работать со спектрами даже при высоком разрешении, повышая точность и прецизионность способа.

Более того, например, наличие списка может сделать излишним использование методов наименьших квадратов, и (или) возможные расчеты среднеквадратичных значений не требуется проводить в целом диапазоне волновых чисел для всех спектров.

В соответствии с некоторыми воплощениями, на этапе анализа Е предлагается выполнить множество последовательных подэтапов сравнения, в которых спектр неизвестного образца сравнивают с заранее рассчитанными моделями.

В частности, на каждом подэтапе сравнивают спектр неизвестного образца с заранее рассчитанными моделями постепенно уменьшающихся классификационных групп и получают по меньшей мере несколько баллов, характеризующих принадлежность неизвестного образца классификационным группам микроорганизмов.

В соответствии с некоторыми воплощениями настоящего изобретения, для сравнения можно использовать статистические и (или) хемометрические способы многопараметрического анализа, такие как, например, анализ главных компонентов (PCA) или линейный дискриминантный анализ (LDA), а кроме того линейный дискриминантный метод частичных наименьших квадратов (LDPLS), квадратический дискриминантный анализ (QD), иерархический кластерный анализ (HCA), ансамбль случайных деревьев или любое сочетание этих и других технологий, не упомянутых явным образом.

В соответствии с некоторыми воплощениями, для указанного сравнения можно использовать способы, технологии или алгоритмы, которые реализуют подходы, основанные на нейронных сетях.

В соответствии с некоторыми воплощениями, для указанного сравнения можно использовать способы, технологии или алгоритмы, которые реализуют подходы, основанные на искусственном (машинном) обучении.

В соответствии с некоторыми воплощениями настоящего изобретения, указанное сравнение может также предполагать сравнение первых и (или) вторых производных спектров и моделей.

В соответствии с некоторыми воплощениями, для учета различных областей спектра можно различными способами использовать статистические веса.

В соответствии с некоторыми воплощениями настоящего изобретения, сравнение между спектрами и моделью можно выполнить при помощи определения расстояния между спектром и моделью, например, используя способы, основанные на методе наименьших квадратов.

В соответствии с некоторыми воплощениями, расстояние можно использовать в качестве метрики для выполнения статистического и (или) хемометрического анализа.

В соответствии с некоторыми воплощениями, для анализа PCA и (или) LDA можно использовать различие между спектрами.

В соответствии с некоторыми воплощениями, можно использовать сочетание статистических методов, которое предполагает проведение PCA с последующим анализом линейного дискриминанта главных компонентов методом LDA.

В соответствии с этими воплощениями, если результат PCA подвергают последующему анализу LDA, разделение полученных методом PCA кластеров усиливается, что позволяет также идентифицировать виды, спектральные характеристики которых очень похожи друг на друга.

В соответствии с некоторыми воплощениями, подэтапы сравнения можно выполнять для сравнения первого неизвестного спектра с заранее рассчитанными моделями более широких классификационных групп с целью идентификации более широкой категории и (или) классификационной группы, к которой принадлежит неизвестный образец; затем неизвестный спектр сравнивают с заранее рассчитанными моделями постепенно уменьшающихся классификационных групп, чтобы определить постепенно уменьшающиеся классификационные группы, к которой принадлежит неизвестный образец.

Преимущественно, эта характеристика позволяет проводить меньшее количество сравнений между типами спектров, по сравнению с другими известными способами.

Например, если база данных содержит 45 типов спектров, связанных с 45 различными видами, согласно известным способам из уровня техники следует попытаться идентифицировать неизвестный образец, сравнивая его со всеми имеющимися 45 типами спектров видов.

С другой стороны, согласно воплощениям способа по настоящему изобретению, 45 видов можно классифицировать в соответствии с более широкими классификационными макрогруппами (например 4), характеризующимися схожими характеристиками.

Каждая макрогруппа содержит, например, по 3 меньшие классификационные группы, каждая из которых в свою очередь содержит по 2 еще меньшие классификационные подгруппы, последние, например, ассоциированы с различными видами или подвидами.

В этом случае можно выполнить 3 подэтапа, причем на первом подэтапе неизвестный образец относят к первой классификационной макрогруппе, на втором подэтапе ко второй классификационной группе, на третьем этапе относят к третьей классификационной группе.

Преимущественно, эта характеристика позволяет разделить спектры на схожие макрогруппы, упрощая матрицу данных и позволяя после завершения первого этапа работать с менее сложной матрицей данных, в которой легче идентифицировать особенности, разделяющие, например, конкретные похожие виды или подвиды.

Более того, по сравнению с известными способами, эта характеристика позволяет получить более быстрый и более эффективный способ, как в терминах времени, так и в терминах потребления вычислительных ресурсов.

В соответствии с некоторыми воплощениями, на каждом подэтапе сравнения многопараметрические технологии анализа позволяют получить баллы, демонстрирующие принадлежность к каждой из классификационных групп, с которыми сравнивают неизвестный спектр.

Эти характеризующие принадлежность баллы можно получить известными способами при помощи технологий многопараметрического анализа, как описано выше, и их можно нормализовать и выразить в процентах.

Например, в соответствии с некоторыми воплощениями, баллы принадлежности можно ассоциировать с линейным дискриминантом между главными компонентами.

В соответствии с некоторыми воплощениями, на этапе F управления предлагается проверить надежность идентификации, выполненной на этапе анализа E.

Это управление можно провести, например, проверяя, что на каждом подэтапе идентифицирована по меньшей мере одна классификационная группа, к которой принадлежит неизвестный образец, имея балл принадлежности выше, чем заранее заданный показатель приемлемости, например, выше 70%.

В этом случае (блок G на фиг. 2) неизвестный образец идентифицируется как принадлежащий меньшей классификационной группе.

Если в одном или более подэтапов сравнения один из баллов принадлежности меньше заранее заданного показателя приемлемости, согласно способу, предлагается выполнение второго этапа получения спектра С, второго этапа обработки D и второго этапа анализа Е, это вторая попытка анализа неизвестного образца.

Если два этапа анализа Е относят неизвестный образец к одним и тем же классификационным группам (блок Н фиг 2), неизвестный образец идентифицируют в соответствии с наиболее мелкой классификационной группой, назначенной двумя этапами анализа Е.

В противном случае предполагается проведение третьего анализа, третьего этапа получения спектра С, третьего этапа обработки D и третьего этапа анализа Е.

Если на третьем этапе анализа Е неизвестный образец относят к тем же классификационным группам, что и по меньшей мере на одном из предыдущих этапов анализа Е (блок I на фиг. 2), неизвестный образец идентифицируют в соответствии с самой мелкой классификационной группой, определенной двумя этапами анализа Е с соответствующими результатами.

В противном случае выводится сообщение о невозможности идентификации (блок J на фиг. 2).

В соответствии с одним воплощением предлагается компьютерная программа, или программное обеспечение, используемое для сбора данных и их анализа в отношении базы данных, которая может сохраняться в пригодной для чтения компьютера среде и которая содержит инструкции, которые при их выполнении на аналитическом устройстве для классификации и идентификации микроорганизмов осуществляют выполнение способа в соответствии с настоящим изобретением.

Пример 1

На фиг. 4а схематически показана технологическая схема процесса, выполняемая по отношению к неизвестному спектру с целью последовательного определения различных интересующих категорий путем применения множества прогностических моделей (этап Е) в соответствии с настоящим изобретением. Неизвестный спектр сравнивают с множеством прогностических моделей, разработанных на этапе А1, A2, A3, A4 на основании базы данных известных спектров. Каждая модель основана, например, на анализе PCA-LDA для назначения специфического типа среди всех возможных для определяемой категории. В частности, для каждой панели фиг. 4а каждая точка соответствует координатам, назначаемым в ходе расчета PCA-LDA спектру, присутствующему в базе данных известных образцов (этап А4); каждая точка в множестве A, B, С отражает специфический тип, к которому он принадлежит для определяемой категории. Согласно модели 1, в которой для категории 1 определена принадлежность различным представленным типам, все спектры известных образцов сгруппированы в соответствующие множества принадлежности A, B, C (первая панель фиг. 4a). Таким образом, для модели 1 возможны три различных типа, каждый из которых связан со специфической частью пространства, определенного моделью.

Для каждого неизвестного спектра на этапе Е предсказываются пространственные координаты, которые он занимает в пространстве, описанном моделью, и, путем оценки его расположения в этом пространстве, определяется тип интересующей категории. Например, на первой панели фиг. 4а можно видеть, что для модели 1 его координаты аналогичны координатам спектра модели, принадлежащей к типу А, и, таким образом, его относят к тому же типу.

Иерархическое подразделение моделей от более широких к более узким позволяет путем применения подэтапов, на которых предлагается применение множества моделей, получать все более и более специфическую информацию в отношении типа интересующего микроорганизма (вторая и третья панели фиг. 4а).

Следует отметить, что принадлежность специфическому типу в рамках предоставляемых категорией 1 определяет, какая модель будет следующей моделью, применяемой к неизвестному образцу.

Таким образом, неизвестный спектр сравнивают с заранее рассчитанными моделями постепенно уменьшающихся классификационных групп с целью идентификации все более детальных категорий принадлежности неизвестного образца (фиг. 4а).

Для каждой модели, применяемой на этапе анализа Е неизвестного образца, также рассчитывают балл, показывающий принадлежность к ассоциированному типу, возможно, в форме процентов. Это значение показывает, сколько координат, рассчитанных для неизвестного спектра, подобны определенным в модели спектра той же категории (таблица на фиг. 4b).

Затем, на этапе F, показанном схематически на фиг. 4b, оцениваются баллы принадлежности, связанные с каждым из типов, определенных на различных подэтапах процесса, это позволяет оценить надежность результата. Для каждой модели определяют показатели приемлемости, при превышении которых результат можно считать надежным. Если в ходе описанного выше сравнения оказывается, что все значения баллов принадлежности выше заранее заданных для каждой модели, результат сообщают (этап G), в противном случае проводят новый анализ.

Пример 2

Согласно одному воплощению способа, его можно использовать для идентификации любой возможной таксономической характеристики, описанной выше, такой как, например, род микроорганизма. См. фиг. 5, на которой показана матрица смешения, полученная в ходе валидации способа со спектром из базы данных по настоящему изобретению, в этой матрице можно наблюдать соответствие между фактическими и предсказанными значениями от 97,5% до 100%.

Понятно, что в описанный выше способ и (или) устройство можно вносить модификации и (или) добавления деталей или этапов, не выходя из области настоящего изобретения. Понятно также, что, хотя настоящее изобретение было описано со ссылкой на некоторые специфические примеры, специалист в данной области техники, несомненно, сможет получить много других эквивалентных форм способа и (или) устройства, используя при этом характеристики, описанные в формуле изобретения, и таким образом, все они попадают в определяемую здесь область защиты.

Изобретение относится к области измерительной техники и касается способа и системы для идентификации микроорганизмов в образце путем оценки колебательного спектра. Способ содержит этапы приготовления базы данных известных спектров и получения заранее рассчитанных моделей из известных спектров, причем заранее рассчитанные модели ассоциированы с иерархически структурированными категориями и/или классификационными группами микроорганизмов. Спектры неизвестных образцов микроорганизмов методами многопараметрического анализа сравнивают с заранее рассчитанными моделями для идентификации микроорганизмов постепенно уменьшающихся категорий и/или классификационных групп, с тем чтобы предоставить баллы, показывающие принадлежность неизвестного образца к указанным категориям и/или классификационным группам микроорганизмов. Технический результат заключается в повышении точности и сокращении времени анализа без использования значительных вычислительных мощностей. 3 н. и 8 з.п. ф-лы, 7 ил.

1. Способ идентификации микроорганизмов в образце путем оценки колебательного спектра, включающий следующие этапы:

- этап (А) подготовки базы данных со спектрами сравнения известных образцов известных микроорганизмов, содержащий:

- один или более этапов (А1) отбора известного образца;

- один или более этапов (А2) получения спектра известного образца;

- один или более этапов (A3) обработки спектра известного образца для того, чтобы по меньшей мере идентифицировать спектральные области, в которых следует оценивать наличие спектральных характеристик, идентифицирующих каждую категорию и/или классификационную группу;

- один или более этапов (A4) создания множества заранее рассчитанных моделей, связанных с категориями и/или классификационными группами иерархически организованных микроорганизмов, от более широких категорий и/или классификационных групп к меньшим категориям и/или классификационным группам, каждая заранее рассчитанная модель содержит указанные позволяющие провести идентификацию спектральные характеристики, связанные с категорией и/или классификационной группой микроорганизмов;

- этап (В) отбора пробы неизвестного образца;

- один или более этапов (С) получения спектра неизвестного образца;

- один или более этапов (D) обработки спектра неизвестного образца на основании того, что определено на этапе (А3);

- один или более этапов (E), на каждом из которых последовательно выполняют множество подэтапов сравнения спектра неизвестного образца с указанными заранее рассчитанными моделями, причем на каждом подэтапе сравнивают методами многопараметрического анализа спектр неизвестного образца с заранее рассчитанными моделями постепенно уменьшающихся категорий и/или классификационных групп, с тем чтобы предоставить по меньшей мере баллы, показывающие принадлежность неизвестного образца к указанным категориям и/или классификационным группам микроорганизмов;

- один или более этапов (F) управления, на которых сравнивают определенные на этапе (Е) баллы принадлежности с заранее заданными показателями приемлемости, и, в случае если баллы принадлежности выше показателей приемлемости, представляют конечный результат, который содержит успешную идентификацию (G), а в случае если баллы принадлежности ниже заранее заданных показателей приемлемости, запрашивают второй этап получения спектра (C) неизвестного образца, и по результатам этапов обработки (D) и этапов анализа (Е) представляют успешную идентификацию (Н) или запрашивают третий этап получения спектра (С) неизвестного образца, и по результатам этапов обработки (D) и этапов анализа (E) предоставляют конечный результат способа, который содержит успешную идентификацию (I) или неуспешную идентификацию (J).

2. Способ по п. 1, отличающийся тем, что указанные этапы (А3) обработки спектра известного образца являются автоматизированными.

3. Способ по п. 1, отличающийся тем, что на указанном этапе (F) управления проверяют, что на каждом из указанных подэтапов сравнения идентифицирована по меньшей мере одна классификационная группа, к которой принадлежит неизвестный образец, с баллом принадлежности выше, чем указанный заранее заданный показатель приемлемости.

4. Способ по любому из пп. 1-3, отличающийся тем, что на этапе (А4) создания множества заранее рассчитанных моделей используют комбинированные статистические методы для проведения анализа главных компонентов с последующим анализом линейного дискриминанта главных компонентов (PCA-LDA); указанные заранее рассчитанные модели затем применяют для прогнозирования категорий и/или классификационных групп на этапе (Е) анализа неизвестного образца.

5. Способ по любому из пп. 1-4, отличающийся тем, что неизвестный образец и/или известный образец выращены, используя любую подходящую культуральную среду, в присутствии или отсутствие биологических жидкостей и/или сложных матриц.

6. Способ по любому из пп. 1-4, отличающийся тем, что неизвестный образец и/или известный образец представляют собой образец, полученный непосредственно из нативного образца, не подвергавшегося фазе роста.

7. Способ по любому из пп. 1-6, отличающийся тем, что на этапе анализа (E) применяют методы, основанные на нейронных сетях.

8. Способ по любому из пп. 1-7, отличающийся тем, что на этапах (C, A2) выполняют непрерывный режим регистрации как в отсутствие, так и в присутствии образца, указанный непрерывный режим способствует, соответственно, проведению операций очистки прибора и объективной оценке спектральных параметров перед стандартизированным получением спектра.

9. Способ по п. 8, отличающийся тем, что указанными спектральными параметрами являются интенсивность сигнала, отношение сигнала к шуму, форма спектра, оптимальный уровень высушивания.

10. Устройство для осуществления способа идентификации микроорганизмов в образце по любому из пп. 1-9, содержащее устройство для детектирования колебательного спектра, которое содержит источник (13) излучения (17), детектор (14), определенную зону сбора информации (18), предназначенную для расположения на ней анализируемого образца, и электронное устройство (15) стационарного или переносного типа, которое связано с устройством для детектирования и в котором установлены система обработки информации и система отображения данных, при этом в указанном электронном устройстве (15) сохранены заранее рассчитанные модели, ассоциированные с классификационными группами иерархически организованных микроорганизмов, от более широких групп к меньшим классификационным группам, причем каждая заранее рассчитанная модель содержит идентификационные спектральные характеристики, ассоциированные с классификационной группой микроорганизмов, вследствие чего отсутствует необходимость в подключении к интернету для выполнения вычислительных операций, необходимых для получения результата.

11. Машиночитаемый носитель, содержащий компьютерную программу или программное обеспечение, используемые для сбора данных и их анализа относительно базы данных и которые содержат инструкции, которые при их выполнении на устройстве для идентификации микроорганизмов определяют выполнение способа согласно любому из пп. 1-9.