单响应电子舌头和机器学习使得用于癌症诊断的细胞外膀生物标志物的多重确定成为可能,而无需识别元素

科学领域:

• 生物医学工程 生物医学工程
• 生物传感器技术技术
• 机器学习应用 机器学习应用

背景情况:

• 护理点诊断需要快速,准确和可访问的疾病查方法.
• 细胞外囊泡 (EV) 和它们携带的蛋白质是各种疾病,包括癌症的关键生物标志物.
• 目前用于检测EV生物标志物的方法通常是复杂的,耗时的,需要专门的实验室设备.

研究的目的:

• 开发一个低成本,可扩展的阻抗电子舌头平台,用于同时检测EV和蛋白质生物标志物.
• 整合机器学习,快速分析生物样本中的复杂生物信号.
• 为了证明平台在检测与埃里希瘤相关的生物标志物的实用性,在小鼠血液中.

主要方法:

• 使用阻抗电子舌头 (非选择性传感器) 与机器学习算法相结合.
• 在聚甲基 (PDMS) 微流体芯片内集成的笔HB核心电极.
• 实现了同时确定EV度,并从单一阻抗光谱中携带蛋白质,没有生物识别元素.

主要成果:

• 成功地证明了从单一阻抗光谱的小鼠血液样本中同时确定EV和蛋白质生物标志物.
• 开发的平台不需要生物识别元素来检测生物标志物.
• 与文献中EV生物标志物确定现有方法相比,该平台实现了最高的吞吐量.

结论:

• 结合的电子语言和机器学习平台为医疗点疾病查提供了一个有前途的方法.
• 这项技术可以合理化和分散实验室测试,提供显著的社会和经济效益.
• 该平台的高吞吐量和简单性使其适合在临床诊断中广泛采用.