Sukses

Ilmuwan Temukan Bakteri yang Besarnya 5.000 Kali Lipat dari Biasanya

Liputan6.com, Jakarta - Biologist Jean Marrie Volland menemukan sebuah spesies bakteri dengan ukuran 20mm. Bakteri sel tunggal yang bisa dilihat dengan mata telanjang ini memperlihatkan kalau sel tersebut sangat tidak biasa terjadi.

Bakteri dari Giadeloupe ini ternyata pernah ditemukan oleh peneliti lainnya. Sekadar informasi, Guadeloupe merupakan wilayah Prancis yang terletak tidak jauh dari Puerto Rico.

Karena berada di wilayah tropis, tidak mengherankan bakti mega seperti bisa berkembang biak dengan sangat baik hingga berukuran besar, 5.000 kali dibanding bakteri biasanya.

Mungkin tidak terbayangkan bisa menemukan makhluk sel tunggal dengan ukuran tersebut. Namun, mengutip Ubergizmo, Senin (27/6/2022), bakteri ini memakan belerang dan berukuran besar karena hutan bakau tempatnya ditemukan, rupanya menghasilkan belerang dalam jumlah banyak.

Keluarga bakteri besar ini dinamakan Magnifica. Selain itu, pada habitatnya, tidak ada predator alami untuk bakteri sebesar ini.

Para ilmuwan percaya, mungkin ada bakteri yang berukuran lebih besar di luar sana. Untungnya, bakteri besar ini diklaim tidak menimbulkan bahaya bagi manusia dan bisa ditemukan misalnya di hutan bakau.

Identifikasi Bakteri dengan Teknologi Deep Learning

Terlepas dari itu, identifikasi bakteri umumnya dapat memakan waktu berjam-jam, bahkan sering kali lebih lama dari itu.

Padahal, waktu sangat berharga, terutama ketika berkaitan dengan mendiagnosis infeksi dan memilih perawatan yang tepat.

Terdorong oleh hal ini, para peneliti di Korea Advanced Institute of Science and Technology (KAIST) melatih algoritma Deep Learning untuk mengidentifikasi spektrum "sidik jari" dari komponen molekuler berbagai bakteri.

* Fakta atau Hoaks? Untuk mengetahui kebenaran informsasi yang beredar, silakan WhatsApp ke nomor Cek Fakta Liputan6.com 0811 9787 670 hanya dengan ketik kata kunci yang diinginkan.

2 dari 3 halaman

Tingkat Akurasi 98 Persen

Mengutip Eurekalert, para peneliti dapat mengklasifikasikan berbagai bakteri di berbagai media dengan akurasi hingga 98 persen. Penelitian mereka terbit pada di jurnal Biosensors and Bioelectronics.

Penyakit yang disebabkan oleh infeksi bakteri langsung atau oleh paparan racun bakteri dapat menyebabkan gejala menyakitkan, bahkan menyebabkan kematian.

Oleh karena itu, deteksi bakteri secara cepat sangat penting untuk mencegah asupan makanan yang terkontaminasi dan untuk mendiagnosis infeksi dari sampel klinis, seperti urin.

"Dengan menggunakan analisis Surface-Enhanced Raman Spectroscopy (SERS) yang ditingkatkan dengan model Deep Learning, kami menampilkan rute yang sangat sederhana, cepat, dan efektif untuk mengklasifikasikan sinyal dua bakteri umum dan media residennya tanpa prosedur pemisahan apa pun," kata Profesor Sungho Jo dari School of Computing.

SERS mengirimkan cahaya melalui sampel untuk melihat bagaimana cahaya menyebar. Hasilnya mengungkapkan informasi struktural tentang sampel– sidik jari spektral–yang memungkinkan peneliti untuk mengidentifikasi molekulnya.

Versi permukaan yang disempurnakan menempatkan sel sampel pada struktur nano logam mulia yang membantu memperkuat sinyal sampel.

Namun, sulit untuk mendapatkan spektrum bakteri yang konsisten dan jelas.

"Selain itu, sinyal kuat dari media sekitarnya juga ditingkatkan untuk mengalahkan sinyal target, dan itu membutuhkan langkah pemisahan bakteri yang memakan waktu dan membosankan," kata Profesor Yeon Sik Jung dari Departemen Ilmu dan Teknik Material.

3 dari 3 halaman

Klasifikasi Data

Para peneliti menerapkan Deep Learning yang secara hierarkis dapat mengekstraksi fitur tertentu dari informasi spektral untuk klasifikasi data.

Mereka secara khusus merancang model, yang diberi nama Dual-branch Wide-Kernel Network (DualWKNet). Model itu dilatih untuk mempelajari korelasi antara fitur spektral secara efisien.

Kemampuan seperti itu, menurut Profesor Jo, sangat penting untuk menganalisis data spektral satu dimensi.

DualWKNet memungkinkan tim peneliti untuk mengidentifikasi puncak kunci di setiap kelas yang hampir tidak terlihat dalam spektrum individu, sehingga dapat meningkatkan akurasi klasifikasi.

"Pada akhirnya, dengan penggunaan DualWKNet yang menggantikan langkah pemisahan bakteri dan media, metode kami secara dramatis mengurangi waktu analisis," tutur para peneliti.

Para peneliti berencana menggunakan platform mereka untuk mempelajari lebih banyak bakteri dan jenis media. Mereka akan menggunakan informasi tersebut untuk membangun pustaka data latih dari berbagai jenis bakteri di media tambahan untuk mengurangi waktu pengumpulan dan deteksi sampel baru.

"Kami berharap dapat memperluas penggunaan platform analisis SERS berbasis Deep Learnign ini untuk mendeteksi berbagai jenis bakteri di media tambahan yang penting untuk analisis makanan atau klinis, seperti darah," ujar Profesor Jo.

(Tin/Ysl)