高准确度机器学习辅助的虚假正分歧在循环介导的异热放大使用纳米孔基尺寸和计数

科学领域:

• 生物技术是生物技术.
• 分子生物学分子生物学
• 纳米技术 纳米技术

背景情况:

• 循环介导同热放大 (LAMP) 是一个有价值的核酸检测方法,用于点的护理应用.
• 由于污染,不特定的放大或信号报告,LAMP测试可能会受到错误的阳性影响.
• 现有的提高特异性的方法,例如染料标记的探针,有可能抑制反应.

研究的目的:

• 开发一种基于纳米孔的无探针系统,用于LAMP读数.
• 为了区分真正的LAMP安普利康和假阳性,使用安普利康大小和计数.
• 为了提高LAMP测定的特异性和可靠性.

主要方法:

• 开发了一种动力模型来分析LAMP反应模式.
• 使用凝电泳来区分真假阳性安普利康形状.
• 实现了纳米孔传感,用于安普利康大小和计数,分析事件电荷赤字 (ECD) 和频率.
• 集成的机器学习算法用于假阳性歧视.

主要成果:

• 在真假LAMP阳性和真假LAMP阳性之间发现了明显的动力和片大小模式.
• 基于纳米孔的尺寸和计数方法,再加上机器学习,在区分假阳性时达到91.67%的准确性.
• 这种方法为LAMP检测提供了可靠的,无探针的读数.

结论:

• 基于纳米孔的amplicon大小和计数提供了一个强大的方法来提高LAMP的特异性.
• 这种无探针系统克服了基于染料的检测的局限性,避免了反应抑制.
• 开发的系统显著提高了使用LAMP技术核酸检测的可靠性.