使用近红外光谱和深度学习,准确预测温度干扰下的氨酸度

科学领域:

• 分析化学 分析化学
• 生物化学 生物化学
• 频谱学是一种光谱学.

背景情况:

• 准确量化氨酸 (HA) 对于确定其应用至关重要.
• 温度波动对精确的HA度分析构成挑战.
• 近红外 (NIR) 光谱与深度学习相结合,为HA分析提供了一种有希望的,但研究不足的方法.

研究的目的:

• 开发一种先进的方法,用于预测受温度变化影响的样本中的度.
• 使用光谱技术解释HA溶液中的分子相互作用.
• 优化深度学习模型,以提高复杂生物系统的预测准确度.

主要方法:

• 采用交叉方法实施了一种新的特征融合策略.
• 用二维相关谱 (2DCOS) 和水相图学来解释相互作用信息.
• 开发了一种多策略改进的Walrus优化算法 (MIWaOA),以优化深度极端学习机器 (DELM) 模型.

主要成果:

• 拟议的特征融合方法有效地捕获了HA溶液中的相互作用信息.
• 与PLS,ELM,DELM和WaOA-DELM相比,MIWaOA-DELM模型在预测HA度方面表现优异.
• 优化的DELM模型在温度干扰下显示出更高的准确性和稳定性.

结论:

• 开发的MIWaOA-DELM模型提供了一个高度准确和可靠的方法来对HA进行定量分析.
• 这种方法为分析复杂矩阵中的生物宏分子提供了有价值的参考.
• 该研究强调了将先进的光谱和深度学习技术整合到复杂化学分析的潜力.