背景介绍

近些年，生物气溶胶（包括真菌孢子等）正对人类和植物的健康构成日益严重的威胁，迫切需要对其进行精准监测、研究。目前欧洲已经建立了基于Hirst人工观测的相关标准，然而由于耗时耗力、高度依赖专业人员、受个体影响较大、数据发布周期较长等特征，已无法满足来自诸如医学、大气物理学、植物保护学等领域的科研人员的需求；自动化的生物气溶胶监测设备备受期待。

生物气溶胶的自动化监测在很大程度上依赖于机器学习，然而，由于颗粒物的大小、来源、化学成分等的多样性、训练数据的有限性等，使得这一工作颇具挑战。为填补这一科学空白，由来自瑞士西北应用科学大学（University of Applied Sciences North Western Switzerland）、雅典大学（全称雅典国立卡波蒂斯坦大学，National and Kaposistrian University of Athens）、瑞士Swisens公司等进10个研究机构的科学家们通过科学、细致的研究，全面地介绍了培养和收集真菌孢子材料样本、创建机器学习训练数据集的实践方法等，为进一步气流颗粒物计数仪器（如SwisensPoleno Jupiter等）开展实时气传真菌监测与分类提供方法参考。

材料和方法

该研究利用比利时真菌样本库BCCM/IHEM中的17种真菌进行相关研究，探讨了诸如制备外培养、干孢子收获、气溶胶雾化、机器学习、自动仪器测量分类等关键环节，有力地推进了气传真菌孢子自动监测、识别的进展。

研究涉及的真菌、培养基、通过收集器获得孢子的难易程度（0表示最不易，3表示最易）

以及样本种存在明显微小菌丝体和/或其他颗粒物的微观显著程度（Y表示存在，N表示不存在）。

PAD： 马铃薯葡萄糖琼脂；S10：稀释的沙保培养基。

真菌孢子雾化、并用SwisensPolemo Jupiter测量的实验室装置示意图

研究中涉及的17种真菌的全息图像（120x120 μm）以及SwisensPoleno Jupiter测量的每种真菌的平均相对应该数据。

SwisensPoleno Jupiter监测的17种真菌孢子：

（A）仅通过全息影像数据训练的卷积神经网络识别性能混淆矩阵；

（B）通过全息影像结合荧光数据训练的卷积神经网络识别性能混淆矩阵。

结论与讨论

通过充分实验，

1）该研究阐明了真菌孢子的培养和可控、有效的雾化是获得样本数据集、用于机器学习的关键一环；

2）证明在琼脂培养基上做真菌培养、通过气流雾化培养基上成熟的真菌孢子，是保持孢子完整性和减少菌丝污染的最佳方式。

最后，该研究希望接下来的工作重点应放在扩大参考数据集上，使其涵盖更多种类的真菌，以便更准确和全面地自动识别真菌孢子，为生物气溶胶动态发展及其对人类和植物健康影响研究提供良好技术实现。

原文出处

2025年6月2日 Aerobiologia期刊

第41卷,第505–525页 (2025）