用于高性能传感器的石墨烯和金属有机框架混合体,用于通过机器学习增强支持的肺癌生物标志物检测
Anh Tuan Trong Tran1, Kamrul Hassan1, Tran Thanh Tung1
1School of Chemical Engineering, The University of Adelaide, Adelaide, South Australia, Australia. dusan.losic@adelaide.edu.au.
Nanoscale
|April 22, 2024
概括
这项研究开发了新型化学复原传感器,使用杂交的氧化伊米达酸盐 (ZIF-8) 和激光编写的石墨烯 (LSG) 进行快速肺癌查. 这些传感器与机器学习相结合,可以准确地检测呼吸中的挥发性有机化合物生物标志物.
科学领域:
- 材料科学与工程 材料科学与工程
- 纳米技术 纳米技术
- 生物医学工程 生物医学工程
背景情况:
- 传统的肺癌诊断 (GC-MS) 是复杂的,昂贵的,并且对大规模查来说很慢.
- 化学复原传感器为检测挥发性有机化合物 (VOC) 提供了低成本,便携式的替代方案,但在灵敏度,响应时间和选择性方面面临挑战.
- 在呼出的呼吸中识别可靠的VOC生物标志物对于早期肺癌检测至关重要.
研究的目的:
- 设计和制造基于混合ZIF-8和LSG的新型化学复原传感器,用于增强肺癌生物标志物检测.
- 评估这些混合传感器在室温下对关键的VOC生物标志物的传感性能.
- 通过机器学习改进传感器功能,从呼吸样本中准确诊断肺癌.
主要方法:
- 使用多孔的天性伊米达酸盐 (ZIF-8) 和激光编写的石墨烯 (LSG) 制造混合化学定制传感器.
- 在模拟呼吸样本中使用四种主要的VOC生物标志物 (乙,乙醇,甲醇,甲) 进行传感器性能表征.
- 应用多层感知器 (MLP) 机器学习算法用于数据分析和VOCs的分类.
主要成果:
- ZIF-8@LSG混合传感器表现出极好的性能,包括快速响应 (2-3秒),广泛检测范围 (0.8-50ppm),低检测极限 (0.8ppm) 和在室温下高选择性.
- 机器学习 (MLP) 实现了高精度 (约. 96.5%) 在识别0.8-10ppm范围内的四个向的VOC.
- 开发的系统在复杂的模拟呼吸样本中显示了多个肺癌生物标志物的稳健识别.
结论:
- 混合ZIF-8@LSG纳米材料为开发敏感和选择性化学复原传感器提供了一个有前途的平台.
- 机器学习的整合显著提高了这些传感器对肺癌生物标志物的诊断准确性.
- 这种方法通过呼吸分析为早期肺癌检测提供了可行的,低成本和便携式解决方案.
