相关实验视频
Updated: Jul 19, 2025
13:00
Engineering Antiviral Agents via Surface Plasmon Resonance
Published on: June 14, 2022
2.4K
了解SARS-CoV-2受体结合域的激发波长依赖性和热稳定性,使用表面增强的拉曼散射和机器学习
Kunyan Zhang1, Ziyang Wang1,2, He Liu3
1Department of Electrical Engineering, The Pennsylvania State University, University Park, Pennsylvania16802, United States.
ACS photonics
|August 8, 2023
概括
研究人员使用金纳米粒子和拉曼光谱学开发了一种新的光学方法,以识别SARS-CoV-2受体结合域 (RBD). 这种技术可以准确地区分不同的病毒RBD,有助于变种监测.
科学领域:
- 生物物理学的生物物理.
- 频谱学是一种光谱学.
- 纳米技术 纳米技术
背景情况:
- 目前正在进行的COVID-19大流行需要迅速检测和监测SARS-CoV-2变种.
- SARS-CoV-2 尖端蛋白的受体结合域 (RBD) 对于病毒进入至关重要,也是诊断的关键目标.
研究的目的:
- 为了研究SARS-CoV-2 RBD的光学特性,使用表面增强的拉曼光谱法 (SERS) 进行识别.
- 开发一种用于快速分析和区分病毒蛋白的方法,包括SARS-CoV-2 RBD.
主要方法:
- 表面增强的拉曼光谱 (SERS) 使用金纳米粒子 (AuNPs) 来捕获SARS-CoV-2 RBD的拉曼模式.
- 使用主要组件分析 (PCA) 和机器学习算法分析拉曼光谱.
- 研究激发波长和激光加热对SERS增强和蛋白质稳定性的影响.
主要成果:
- 成功获得并分析了SARS-CoV-2和MERS-CoV RBD的SERS光谱.
- 发现拉曼增强因AuNP聚合而取决于激发波长.
- 机器学习模型在区分不同RBD时实现了超过95%的准确性,精度,回忆和F1分数.
- PCA揭示了二次蛋白质结构在SERS过程中的作用.
结论:
- 这项研究表明了SERS与机器学习相结合的潜力,用于快速准确地识别SARS-CoV-2 RBD.
- 这种方法为开发传染性病毒和其他复杂生物分子的先进监控工具提供了有希望的途径.
