<div>
	Спектроскопия комбинационного рассеяния света в исследованиях процессов инактивации бактериальных микроорганизмов</div>

Матвеева Карина Игоревна, Кундалевич Анна Анатольевна , Капитунова Анастасия Ивановна, Зозуля Александр Сергеевич, Сухих Станислав Алексеевич, Цибульникова Анна Владимировна, Зюбин Андрей Юрьевич, Самусев Илья Геннадьевич

doi:10.17586/2226-1494-2023-23-4-676-684

2023 , ТОМ 23, НОМЕР 4 ( июль-август )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2023-23-4-676-684

УДК 535.8

Спектроскопия комбинационного рассеяния света в исследованиях процессов инактивации бактериальных микроорганизмов

Матвеева К.И., Кундалевич А.А., Капитунова А.И., Зозуля А.С., Сухих С.А., Цибульникова А.В., Зюбин А.Ю., Самусев И.Г.

Читать статью полностью

Язык статьи - русский

Ссылка для цитирования:

Матвеева К.И., Кундалевич А.А., Капитунова А.И., Зозуля А.С., Сухих С.А., Цибульникова А.В., Зюбин А.Ю., Самусев И.Г. Спектроскопия комбинационного рассеяния света в исследованиях процессов инактивации бактериальных микроорганизмов // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 4. С. 676–684. doi: 10.17586/2226-1494-2023-23-4-676-684

Аннотация

Введение. Спектроскопия комбинационного рассеяния света является одним из перспективных подходов для структурно-функциональных исследований биологических объектов, в том числе бактериальных микроорганизмов. Для бактериального анализа применяются традиционные биохимические тесты и генетические методы. Генетические методы требуют дорогостоящих реагентов, расходных материалов и являются времязатратными. Спектроскопические методы исследования позиционируются как неинвазивные, высокочувствительные и требующие минимальной пробоподготовки образцов. В представленной работе исследована возможность применения метода комбинационного рассеяния света, использующего оптические сенсоры на основе золотых анизотропных наночастиц. Применимость метода продемонстрирована на изучении влияния антибиотика цефалоспоринового ряда широкого спектра действия и экстракта калины (Viburnum opulus L) на колонии кишечной палочки (Escherichia coli). Метод. Применен метод спектроскопии комбинационного рассеяния света с использованием спектрометра Virsa (Renishaw). Усиление сигнала комбинационного рассеяния света проводилось с использованием предложенных авторами двух оригинальных оптических сенсоров. Для создания сенсоров выбраны химический метод осаждения нанозвезд золота на APTES-модифицированные кварцевые стекла и физический метод создания сенсоров, основанный на анодировании титановых поверхностей. Основные результаты. Полученные результаты показали высокую чувствительность и информативность предложенного метода. Подтверждена возможность использования метода комбинационного рассеяния света для исследования инактивации бактериальных микроорганизмов. Определены и идентифицированы спектральные полосы комбинационного рассеяния света Escherichia coli до и после воздействия экстракта калины и антибиотика в качестве контроля. Установлено уменьшение интенсивности спектральных мод, соответствующих аминокислотам и пуриновым метаболитам, в усредненном спектре комбинационного рассеяния света Escherichia coli после воздействия экстракта калины. Обсуждение. Впервые проведено исследование антимикробного эффекта водного экстракта плодов калины методом комбинационного рассеяния света. Показано, что применение растительных экстрактов, в том числе экстрактов плодов калины, для инактивации жизнедеятельности колоний бактерий является перспективным подходом по поиску новых альтернативных антибактериальных средств. Полученные результаты хорошо согласуются с уже известными научными исследованиями и подтверждают эффективность предложенного метода.

Ключевые слова: плазмонный резонанс, нанозвезды, КРС, Viburnum opulus L, кишечная палочка, антибиотики

Благодарности. Работа выполнена при поддержке проекта государственного задания Минобрнауки Российской Федерации № FZWM-2020-0003 «Исследование новых материалов и методов плазмо- и фототерапии онкологических заболеваний, дерматитов и септических осложнений» 2020–2023 гг.

Список литературы

Giridhara P.K., Mishra C., Venkataramana R.K., Bukhari S.S., Dengel A.R. A study of various text augmentation techniques for relation classification in free text // Proc. of the 8^th International Conference on Pattern Recognition Applications and Methods. 2019. P. 360–367 https://doi.org/10.5220/0007311003600367
Papadaki M. Data Augmentation Techniques for Legal Text Analytics: A thesis submitted to Athens University of Economics and Business in fulfillment of the requirements for the degree of Master in Data Science. 2017. 33 p.
Zhang Z., Zweigenbaum P. GNEG: Graph-based negative sampling for word2vec // Proc. of the 56^th Annual Meeting of the Association for Computational Linguistics. V. 2. 2018. P. 566–571. https://doi.org/10.18653/v1/P18-2090
Wei J., Zou K. EDA: Easy data augmentation techniques for boosting performance on text classification tasks // Proc. of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9^th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). 2018. P. 6382–6388. https://doi.org/10.18653/v1/D19-1670
Wu X., Xia Y., Zhu J., Wu L., Xie S., Fan Y., Qin T. mixSeq: A simple data augmentation method for neural machine translation // Proc. of the 18^th International Conference on Spoken Language Translation (IWSLT 2021). 2021. P. 192–197. https://doi.org/10.18653/v1/2021.iwslt-1.23
Kumar V., Choudhary A., Cho E. Data augmentation using pre-trained transformer models // Proc. of the 2^nd Workshop on Life-long Learning for Spoken Language Systems. 2020. P. 18–26.
Kobayashi S. Contextual augmentation: Data augmentation by words with paradigmatic relations // Proc. of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers). 2018. P. 452–457. https://doi.org/10.18653/v1/N18-2072
Yu A., Dohan D., Luong M., Zhao R., Chen K., Norouzi M., Le Q. QANet: Combining local convolution with global self-attention for reading comprehension // Proc. of the ICLR Conference. 2018.
Mehdi R., Meyer M., Goutal S. Text Data Augmentation: Towards better detection of spear-phishing emails // arXiv. 2020. arXiv:2007.02033. https://doi.org/10.48550/arXiv.2007.02033
Edunov S., Ott M., Auli M., Grangier D. Understanding back-translation at scale // Proc. of the 2018 Conference on Empirical Methods in Natural Language Processing. 2018. P. 489–500. https://doi.org/10.18653/v1/D18-1045
Guo H., Mao Y., Zhang R. Augmenting data with mixup for sentence classification: An empirical study // arXiv. 2019. arXiv:1905.08941. https://doi.org/10.48550/arXiv.1905.08941
Coulombe C. Text data augmentation made simple by leveraging NLP cloud APIs // arXiv. 2018.arXiv:1812.04718. https://doi.org/10.48550/arXiv.1812.04718
Shen T., Lei T., Barzilay R., Jaakkola T. Style transfer from non-parallel text by cross-alignment // Advances in Neural Information Processing Systems. 2017. V. 30.
Yang S., Huang X., Lau J.H., Erfani S. Robust task-oriented dialogue generation with contrastive pre-training and adversarial filtering // Findings of the Association for Computational Linguistics (EMNLP 2022). 2022. P. 1220–1234.
Kovriguina L., Shilin I., Shipilo A., Putintseva A. Russian tagging and dependency parsing models for stanford CoreNLP natural language toolkit // Communications in Computer and Information Science. 2017. V. 786. P. 101–111. https://doi.org/10.1007/978-3-319-69548-8_8
Matveev Y., Matveev A., Frolova O., Lyakso E., Ruban N. Automatic speech emotion recognition of younger school age children // Mathematics. 2022. V. 10. N 14. P. 2373. https://doi.org/10.3390/math10142373
Lyakso E., Frolova O., Matveev A., Matveev Y., Grigorev A., Makhnytkina O., Ruban N. Recognition of the emotional state of children with down syndrome by video, audio and text modalities: human and automatic // Lecture Notes in Computer Science. 2022. V. 13721. P. 438–450. https://doi.org/10.1007/978-3-031-20980-2_38
Kim T., Vossen P. EmoBERTa: Speaker-Aware Emotion Recognition in Conversation with RoBERTa // arXiv. 2021. arXiv:2108.12009. https://doi.org/10.48550/arXiv.2108.12009
Song X., Zang L., Zhang R., Hu S., Huang L. Emotionflow: Capture the dialogue level emotion transitions // Proc. of the ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2022. P. 8542–8546. https://doi.org/10.1109/ICASSP43922.2022.9746464
Shen W., Chen J., Quan X., Xie Z. DialogXL: All-in-One XLNet for multi-party conversation emotion recognition // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. V. 35. N 15. P. 13789–13797 https://doi.org/10.1609/aaai.v35i15.17625
Shen W., Wu S., Yang Y., Quan X. Directed acyclic graph network for conversational emotion recognition // Proc. of the 59^th Annual Meeting of the Association for Computational Linguistics and the 11^th International Joint Conference on Natural Language Processing (Volume 1: Long Papers). 2021. P. 1551–1560.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License