Die Informationsgewinnung basiert, ähnlich der Infrarot-Spektroskopie, auf der Wechselwirkung von elektromagnetischer Strahlung mit der zu untersuchenden Probe. Im Falle der Raman-Spektroskopie wird die Probe durch monochromatisches Licht aus einer Laserquelle angeregt, was zu elastischen und inelastischen Streuvorgängen in der Probe führt, wobei die inelastische Streuung wichtige Informationen zu stoff- und molekülspezifischen Schwingungen enthält. Diese Informationen lassen sich in Form von Wellenlängenänderungen des zurückgestrahlten Lichts detektieren und erlauben Rückschlüsse auf die stoffliche Zusammensetzung einer Probe sowie Aussagen zu Kristallinität, Dotierung, Druck- und Temperaturabhängigkeit.

Insbesondere in der Biophotonik bietet die Raman-Spektroskopie ein enormes Potential, da sie es erlaubt mit nur einer minimalen Probenmenge und einem geringen Aufwand zur Probenvorbereitung innerhalb kürzester Zeit umfangreiche Rückschlüsse auf die Probenzusammensetzung zu ziehen und Informationen zum spektralen Fingerabdruck einzelner Komponenten zu erhalten..

So können zum Beispiel Spezies wie Bakterien, Hefen und Körperzellen einfach identifiziert werden. Darüber hinaus ermöglicht die Raman-Spektroskopie durch ihren zerstörungsfreien Charakter eine nicht-invasive Verfolgung von biologischen Prozessabläufen, wie etwa Stoffwechselvorgängen, und eine anschließende Verifizierung der Ergebnisse durch andere Analysemethoden an derselben Probe.

Durch die Kombination des analytischen Verfahrens mit künstlicher Intelligenz (KI) können die spektralen Daten dennoch für eine effektive und schnelle Diagnose nutzbar gemacht werden. Der Einsatz von KI erlaubt ein Handling enormer Datenmengen in nur kurzer Zeit, wodurch zum Beispiel Mikroorganismen oder chemische Komponenten innerhalb von Prozessabläufen präzise identifiziert und klassifiziert werden können und eine Konzentrations- und Verhaltensanalyse möglich ist.

Grundlage hierfür bilden spektroskopische Datenbanken, in welchen die spektralen Fingerabdrücke einzelner Mikroorganismen verschiedener Ausprägungen oder chemischer Komponenten hinterlegt sind. Diese werden durch spezifische maschinenlernende Algorithmen verarbeitet und mit den erhaltenen Messdaten abgeglichen. Dabei beschränkt sich dieser maschinenlernende Mechanismus nicht nur auf Diagnostik, sondern ist auf viele weitere Bereiche übertragbar, wo Mikroben eine wichtige Rolle spielen, wie etwa in der Medikamentenherstellung, der Lebensmittelindustrie oder der Landwirtschaft und kann auch für die Prozessanalyse im chemischen Sektor eingesetzt werden.

Darüber hinaus ist KI nicht nur für spektroskopische Daten nutzbar. So können zum Beispiel auch visuelle Daten, wie Mikroskopaufnahmen, verarbeitet und eine darauf basierende Datenbank erstellt werden, um Bilder und Formen zu analysieren und zu kategorisieren. Durch einen stetigen Informationszuwachs der Datenbanksysteme können so auch unbekannte Bakterien und Mikroben bestimmt werden.