@misc{Tewes, type = {Master Thesis}, author = {Tewes, Thomas}, title = {Entwicklung einer Methode zur Identifizierung von Mikroorganismen {\"u}ber Raman-Spektroskopie}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:1383-opus4-3212}, school = {Hochschule Rhein-Waal}, pages = {100}, abstract = {Zielstellung: Das Ziel dieser Arbeit war es, eine Methode zur Identifizierung von Mikroorganismen {\"u}ber Mikro-Raman-Spektroskopie zu entwickeln. Daf{\"u}r musste zun{\"a}chst eine Methode gefunden werden, um Spektren verschiedener Mikroorganismen mit ausreichender Qualit{\"a}t zu erhalten. Im Anschluss sollte die Datensammlung erfolgen, bei der m{\"o}glichst viele repr{\"a}sentative Spektren gesammelt werden. Mit den Daten mussten danach Modelle zur Vorhersage unbekannter Raman-Spektren entwickelt werden, was eine entsprechende Datenvorbehandlung voraussetzte. Um die Praxistauglichkeit der Modelle zu pr{\"u}fen, sollten diese auf Spektren von Proben angewandt werden, die nicht in den Kalibrationssets enthalten waren. Neben der Entwicklung der Methode und der Vorhersagemodelle, sollten auch verschiedene Einfl{\"u}sse der Analysebedingungen ber{\"u}cksichtigt werden. Methoden: Neun verschiedene Mikroorganismen, die aus kryokonservierten Reinkulturen stammten, wurden bei 30 °C f{\"u}r 24 Stunden auf Trypton Soja Agar (TSA) bebr{\"u}tet. Die Spektrenaufzeichnung erfolgte bei einer Anregung von 633 nm {\"u}ber ein konfokales Raman-Mikroskop der Firma Renishaw. Sowohl die Datenvorbehandlung (Basislinienkorrektur, Gl{\"a}ttung, Normalisierung, Hauptkomponentenanalyse (PCA)), als auch die Modellentwicklung, erfolgte {\"u}ber die Software MATLAB. Es wurden verschiedene Klassifikationsverfahren angewandt, um ein Modell mit m{\"o}glichst guter Leistung zu finden. Ergebnisse: F{\"u}r die Entwicklung der Kalibrationsmodelle wurden insgesamt 2953 Raman-Spektren von neun verschiedenen Mikroorganismen gesammelt. St{\"o}rungen durch Fluoreszenz wurden durch Vorbestrahlung von bis zu 15 Minuten ausgebrannt. Die Modelle basierend auf der Quadratischen Diskriminanzanalyse (QDA), dem k-N{\"a}chster-Nachbar-Algorithmus (kNN) und der Support Vector Maschine (SVM), wurden mit verschiedener Anzahl an Hauptkomponenten und einer f{\"u}nffachen Kreuzvalidierung erstellt. Die theoretischen Vorhersageg{\"u}ten belaufen sich bei den genauesten Modellen auf 99,0 \% (QDA), 99,1 \% (kNN) und 99,7 \% (SVM). F{\"u}r die praktische Validierung wurden f{\"u}r jeden Mikroorganismus 100 weitere „unbekannte" Spektren gesammelt. Die Vorhersagegenauigkeiten in der Praxis belaufen sich auf 98,1 \% (QDA), 97,1 \% (kNN) und 97,0 \% (SVM). Diskussion: Eine zuverl{\"a}ssige Identifizierung der in dieser Arbeit untersuchten Mikroorganismen konnte {\"u}ber alle verwendeten Klassifikationsverfahren erreicht werden. Auf Stamm-ebene erzielt die SVM in der Praxis die genauesten Ergebnisse, jedoch nicht bei den restlichen Mikroorganismen. Die QDA erzielt in der Praxis etwas genauere Vorhersagen als das kNN-Modell, jedoch basiert das kNN-Modell mit der besten Leistung auf den wenigsten Hauptkomponenten. Dies kann als Vorteil angesehen werden, da weniger Dimensionen zur erfolgreichen Klassifizierung in der Regel robustere Modelle in der Praxis bedeuten.}, subject = {Raman-Spektroskopie}, language = {de} }