W procesie leczenia ważnym elementem procedury jest szybka i wiarygodna identyfikacja zakażeń bakteryjnych, ich rodzaju a także ich oporności na antybiotyki. Obecnie stosowane metody spektrometryczne  MALDI TOF (ang. Matrix-Assisted Laser Desorption/Ionization – Time of Flight) pozwalają na identyfikację zakażenia, ale nie pozwalają na ocenę skuteczności użytego antybiotyku. Z kolei standardowy test wrażliwości AST (ang.  antimicrobial susceptibility testing)  jest czasochłonny i nie pozwala na jednoczesną identyfikację zakażenia. Grupa badaczy   z holenderskiego Uniwersytetu Technicznego w Delft i uniwersyteckiej firmy spin-off  SoundCell, wychodząc z zasady, że ruch jest kluczem charakteryzującym każdą formę życia,  wprowadziła nowe podejście do powyższego problemu.  Zauważyli oni, że   infekcje bakteryjne można diagnozować za pomocą dźwięku. Wykorzystując zjawisko mobilności bakterii, opracowali nanozestaw perkusyjny, oparty na membranie grafenowej,  w celu zamiany ruchu bakterii w sygnał akustyczny. Sygnały nanodrgań pojedynczych żywych komórek są rejestrowane w czasie rzeczywistym i przekształcane w spektrogramy czasowo-częstotliwościowe, które stanowią dane wejściowe dla modeli uczenia maszynowego (ang. Machine Learning) wytrenowanych pod kątem skutecznego rozpoznawania wzorców. Opracowane algorytmy pozwalają na   różnicowanie Escherichia coli (E. coli), gronkowca złocistego (S. aureus) oraz bakterii Klebsiella pneumoniae (K. pneumenia), jednocześnie rozróżniając szczepy oporne i wrażliwe z 98-procentową  precyzją. W celu zorientowania się w wielkości sygnału, pochodzącego z bakterii, można podać wartości dla bakterii E.coli:  pojedyncza komórka E. coli generuje losowe oscylacje o amplitudzie do 60 nm, wywierając na otoczenie siły o wartości do 6 nN.

Łączenie niezwykle czułych  czujników  nanoruchu opartych na grafenie z zaawansowanymi narzędziami uczenia maszynowego,   pozwala na diagnostykę bakterii bez użycia znaczników i jednocześnie umożliwia  identyfikację i profilowanie podatności na poziomie pojedynczej komórki w ciągu kilku godzin. W systemie wykorzystano dwa algorytmy: jeden oparty na konwolucyjnych sieciach neuronowych CNN (ang. Convolution Neural Network) , drugi na technologii SVM (ang. Support Vector Machine).     

Oba algorytmy wykazały się wysoką wydajnością, chociaż ich dokładność różniła się w zależności od zadania klasyfikacyjnego. W przypadku profilowania wrażliwości, algorytm CNN osiągnął najwyższą wydajność w wykrywaniu oporności na antybiotyki, osiągając 98,6% dokładności w klasyfikacji opornych i wrażliwych szczepów E. coli, co odzwierciedla jego zdolność do ekstrakcji złożonych cech przestrzennych i czasowych ze spektrogramowych reprezentacji sygnałów nanoruchu. Natomiast algorytm SVM uzyskał lepsze wyniki w identyfikacji gatunków bakterii, pomimo ogólnej dokładności na poziomie 87,04%, ponieważ wykazywał wyższą generalizację między klasami w porównaniu z modelem CNN. Dodatkowa ocena wskaźników wyników fałszywie dodatnich również potwierdziła wydajność każdej metody w obu przypadkach badań klasyfikacyjnych. Ogólnie rzecz biorąc, SVM wykazywał bardziej stabilną generalizację między klasami, podczas gdy CNN rejestrował bardziej szczegółowe zróżnicowanie widmowe. Wyniki te pokazują, że dobór algorytmu można zoptymalizować w zależności od wymagań diagnostycznych, równoważąc dokładność klasyfikacji i złożoność cech.

Aby przenieść tę technologię z laboratorium do rutynowej diagnostyki, konieczne jest kilka etapów rozwoju. Po pierwsze, wymagane są równoległe pomiary. W istniejących platformach AST, taka paralelizacja jest zazwyczaj osiągana za pomocą  pojemników, które są szczelnymi, jednorazowymi przestrzeniami, zawierającymi wiele przegródek wstępnie wypełnionych antybiotykami, w celu automatycznego monitorowania kilku antybiotyków jednocześnie. Podobne podejście jest przewidziane dla technologii bębna grafenowego. W idealnym przypadku, bezpośrednia próbka pacjenta (np. mocz lub krew) byłaby ładowana do pojemnika zawierającego szereg czujników grafenowych z wstępnie dozowanymi antybiotykami. Pojemnik  umieszczałby wiele chipów grafenowych, z których każdy składałby się z setek bębnów grafenowych, i umożliwiałby automatyczne pomiary, w których identyfikacja bakterii  i rozpoznania skuteczności antybiotyku byłyby przeprowadzane jednocześnie. Po drugie, konieczne jest monitorowanie interpretacji danych i rodzaju błędów. W praktyce klinicznej bardzo poważne błędy, gdy oporny mikroorganizm zostanie błędnie sklasyfikowany jako wrażliwy, mogą prowadzić do przepisania pacjentowi niewłaściwego antybiotyku. Aby zminimalizować takie błędy, konieczne jest najpierw uzyskanie bardziej zrównoważonego zbioru danych treningowych z większą liczbą danych dla szczepów opornych. W zastosowaniach klinicznych, podczas opracowywania modeli sztucznej inteligencji AI (ang. Artificial Intelligence) należy  opracować klasyfikację opartą na wrażliwości i oporności, oraz wziąć pod uwagę poziom oporności/wrażliwości.

Podsumowując,  wyniki pokazują, że połączenie wysokiej czułości grafenowych czujników nanoruchu z uczeniem maszynowym (ML) umożliwia zarówno  identyfikację bakterii, jak i ocenę skuteczności zastosowanego w kuracji antybiotyku. Ponieważ wytrenowane modele analizują sygnały nanoruchu z pojedynczych komórek, wyniki można uzyskać w ciągu 1-2 godzin, eliminując potrzebę czasochłonnych etapów hodowli. Dzięki dalszemu rozwojowi, to podejście może uczynić spektroskopię nanoruchu potężną platformą do diagnostyki w czasie rzeczywistym oraz do badania biofizyki komórkowej i oporności na środki przeciwdrobnoustrojowe.

Bakterie oporne na antybiotyki mogą być przyczyną ponad miliona zgonów rocznie i mogą przyczyniać się do milionów kolejnych. Istnieje wiele powodów, dla których bakterie oporne na antybiotyki stanowią poważne zagrożenie – jednym z nich jest stosunkowo powolny proces testowania oporności drobnoustrojów. Dzisiejsze narzędzia mogą potrzebować kilku dni, aby stwierdzić, czy drobnoustroje są oporne na dany antybiotyk. Dla porównania, technologia SoundCell może to zrobić w zaledwie godzinę.

Opracowana metod powinna znaleźć zastowanie w działaniach szpitalnych, stąd istnieje potrzeba,  aby SoundCell przebudował swoje nanobębny w mniejsze urządzenie, lepiej dostosowane do użytku szpitalnego i wdrożył już to urządzenie w dwóch szpitalach w Holandii, aby zweryfikować jego działanie.