细菌生物标志物的精确分类和定量分析通过表面增强的拉曼光谱和机器学习
Amit Kumar1, Md Redwan Islam2, Susu M Zughaier3
1Department of Physics and Astronomy, The University of Georgia, Athens, GA 30602, USA.
概括
这项研究使用表面增强拉曼光谱 (SERS) 和卷积神经网络 (CNN) 准确分类和量化六种细菌生物标志物. 这种先进的方法对快速的细菌感染诊断有希望.
科学领域:
- 分析化学 分析化学
- 生物技术是生物技术.
- 机器学习 机器学习
背景情况:
- 准确识别和量化细菌生物标志物对于诊断感染至关重要.
- 分析复杂光谱数据的传统方法,如SERS的方法,由于光谱变异,在量化方面面临挑战.
- 表面增强拉曼光谱 (SERS) 为检测生物分子提供了高灵敏度,但需要先进的数据分析.
研究的目的:
- 开发一种可靠的方法来使用SERS对六种关键细菌生物标记物进行分类和量化.
- 在生物标志物量化中克服经典校准曲线方法的局限性.
- 探索SERS和机器学习的协同潜力,以改善细菌诊断.
主要方法:
- 获取SERS光谱的六种细菌生物标记物 (2,3-DHBA,2,5-DHBA,Pyocyanin,LTA,Enterobactin,β-胡卜素) 在不同的度使用银纳米基板阵列基板.
- 开发一种采用卷积神经网络 (CNN) 进行分类和回归的两步方法.
- 建立一个特定的CNN模型用于高精度生物标志物分类和六个个别的回归CNN模型用于度预测.
主要成果:
- 通过CNN模型,无论度如何,所有六种生物标志物的分类准确率达到99.99%.
- 开发了六种回归CNN模型,确定系数 (R2) >0.97和平均绝对误差 (MAE) <0.27,用于准确的度预测.
- 确定SERS数据中的内在光谱特征是高分类和定量准确性的关键.
结论:
- SERS和CNN的结合方法为细菌生物标志物分析提供了高度准确和可靠的方法.
- 这种协同作用的方法表明了促进细菌感染的快速和精确诊断的巨大潜力.
- 该研究强调了先进机器学习在解释生物医学应用的复杂光谱数据方面的力量.
