通过机器学习驱动的表面增强拉曼光谱分析识别的多谱指纹来追踪损伤的来源
Yanwen Zhuang1, Yu Ouyang2, Li Ding1
1Institute of Translational Medicine, Medical College, Yangzhou University, Yangzhou 225001, P. R. China.
ACS sensors
|May 3, 2024
概括
这项研究引入了一种新的方法,用于早期检测药物诱导的损伤 (DIKI),使用表面增强的Raman散射 (SERS) 在外体上. 机器学习准确地识别损伤的原因和阶段,帮助临床干预.
科学领域:
- 生物医学工程 生物医学工程
- 纳米技术 纳米技术
- 分析化学 分析化学
背景情况:
- 药物诱导损伤 (DIKI) 的早期诊断对于有效治疗至关重要.
- 目前用于追溯DIKI追踪的方法具有挑战性.
- 外体具有损伤生物标志物的潜力.
研究的目的:
- 开发一种可靠的方法来追踪损伤的起源.
- 创建一个表面增强的拉曼散射 (SERS) 分析平台,用于外体检测.
- 利用机器学习来识别DIKI的原因和阶段.
主要方法:
- 为SERS分析而设计的订制的炸形Au纳米阵列 (FBS NCAs).
- 构建了一个主要组件分析 (PCA) 两层近邻 (TLNN) 模型.
- 分析了来自西斯普拉丁和热胺诱导损伤的外体的SERS光谱.
主要成果:
- PCA-TLNN模型成功地从各种损伤阶段和原因区分了外体的SERS光谱.
- 达到高精度:97.8% (cisplatin) 和93.3% (gentamicin) 不同的诱导时间.
- 实现了100% (7天) 和96.7% (14天) 的准确性来区分受伤原因.
结论:
- 无标签外体SERS与机器学习相结合,提供了一种创新的诊断策略.
- 这种方法可以帮助DIKI的早期医学诊断和治疗干预.
- 开发的平台显示了个性化医学和毒理学研究的前景.


