用机器学习驱动的SERS指纹检测分解的病毒组件,以快速检测SARS-CoV-2在环境尘埃中的病毒
Aditya Garg1, Seth Hawks2, Jin Pan3
1Department of Electrical and Computer Engineering, Virginia Tech, Blacksburg, VA, 24061, United States.
Biosensors & bioelectronics
|December 23, 2023
概括
本研究介绍了一种机器学习驱动的表面增强拉曼光谱法,用于检测尘埃中的空气传播病毒. 这种方法可以快速地在现场识别特定的病毒,如SARS-CoV-2.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 分子生物学分子生物学
背景情况:
- 空气传播病毒的监测对公共卫生至关重要,特别是在拥挤的室内环境中.
- 在环境样本中快速地在现场检测像SARS-CoV-2这样的进化的病毒是具有挑战性的.
- 现有的方法难以处理复杂的样本矩阵和快速变异的病原体.
研究的目的:
- 开发一种基于机器学习的表面增强拉曼光谱 (SERS) 方法,用于检测环境尘埃中的病毒.
- 为了能够快速地在现场识别特定的空气传播病毒.
- 为先进的环境病毒监测提供基础.
主要方法:
- 一个新的Raman-background-free lysis协议将病毒分解为结构组件.
- 组件集中在纳米间隙SERS热点中,以增强信号强度.
- 机器学习算法,包括主要组件分析 (PCA) 和高斯过程回归 (GPR),用于数据分析和量化.
- 主要组件分析-线性差异分析 (PCA-LDA) 用于多种病毒的识别.
主要成果:
- 从病毒结构组件获得显著增强的SERS信号强度和指纹信息密度.
- 使用PCA,SERS数据和生物序列之间建立了强大的相关性.
- 使用GPR.证明了SARS-CoV-2的定量检测到10^2 pfu/ml.
- 在使用PCA-LDA.在尘埃中识别SARS-CoV-2,流感A和寨卡病毒时,获得了超过86%的准确性.
结论:
- 开发的基于 ML 的 SERS 方法为快速环境病毒监测提供了一个有前途的工具.
- 这种方法有助于在现场检测和识别复杂矩阵中的多种空气传播病毒.
- 这项研究为通过加强监测来积极管理未来的病毒爆发奠定了基础.
