快速检测SARS-CoV-2变种使用 ангиотензин转化酶2-基表面增强拉曼光谱传感器增强 CoVari 深度学习算法
Yanjun Yang1, Jiaheng Cui2, Dan Luo3
1Department of Physics and Astronomy, The University of Georgia, Athens, Georgia 30602, United States.
ACS sensors
|June 6, 2024
概括
一种新方法使用表面增强的拉曼光谱 (SERS) 和深度学习算法 (CoVari) 来快速检测和量化SARS-CoV-2变体. 这种综合方法在识别和测量病毒度方面具有很高的准确性,为快速诊断铺平了道路.
科学领域:
- 纳米技术和光谱学
- 生物分析化学 生物分析化学
- 计算生物学和生物信息学
背景情况:
- 准确和快速检测SARS-CoV-2变种对于公共卫生管理至关重要.
- 现有的诊断方法可能缺乏实时变种跟踪所需的速度或特异性.
- 表面增强拉曼光谱 (SERS) 为分子检测提供了高灵敏度.
研究的目的:
- 开发基于SERS的综合传感器和深度学习算法,用于快速检测和定量SARS-CoV-2变种.
- 评估开发的诊断策略的准确性,敏感性和稳定性.
- 探索将算法推广到更广泛的病毒病原体的可能性.
主要方法:
- 制造一个血管酶转化酶2 (ACE2) 功能化的AgNR@SiO2阵列SERS传感器.
- 使用便携式拉曼系统,从不同SARS-CoV-2变异中获取各种度的SERS光谱.
- 开发和应用一个深度学习算法CoVari,用于光谱预处理,变异分类和度量化.
主要成果:
- 在SERS + CoVari策略中,在病毒变异和R2值>0.98之间进行区分时,SERS + CoVari策略实现了99.9%的准确性,用于度量化.
- 传感器显示出低检测极限,不同病毒菌株的检测极限为10.472至21.591 PFU/mL.
- 在未知样本测试中,CoVari算法显示出稳定性,在781 PFU/mL以上的度下,分类准确度>90%,在781 PFU/mL以上的度下,分类准确度>90%.
结论:
- 集成的SERS传感器和CoVari深度学习算法提供了一个高度准确和快速的方法来检测和量化SARS-CoV-2变种.
- 开发的方法显示了对点诊断应用的巨大潜力.
- CoVari算法的架构可以适应同时预测更广泛的病毒种类和度.
