通过机器学习驱动的预测来增强电化学检测,以绿色银纳米粒子为犬乳腺瘤生物标志物
Sinem Özlem Enginler1, Tarık Küçükdeniz2, Gamze Evkuran Dal3
1Department of Obstetrics and Gynecology, Faculty of Veterinary Medicine, Istanbul University-Cerrahpaşa, Avcılar, 34320, Istanbul, Turkey. enginler@iuc.edu.tr.
Analytical and bioanalytical chemistry
|July 20, 2024
概括
一个使用绿色银纳米粒子和机器学习的新型生物传感器准确地检测狗乳腺瘤生物标志物CA 15-3和MUC-1,从而实现早期的非侵入性诊断.
科学领域:
- 兽医诊断 兽医诊断 兽医诊断 兽医诊断
- 在生物感知中的纳米材料.
- 机器学习在医疗保健中的应用
背景情况:
- 狗乳腺瘤 (CMTs) 需要准确和早期检测方法.
- 当前的诊断方法可能缺乏敏感性或是侵入性的.
- 像CA 15-3和MUC-1这样的生物标志物显示出CMT检测的潜力.
研究的目的:
- 开发一种敏感和选择性的生物传感器,用于发现犬乳腺瘤生物标志物.
- 整合绿色银纳米粒子 (GAgNPs) 与机器学习 (ML) 进行增强诊断.
- 评估生物传感器在CMT的非侵入性早期检测和分级方面的潜力.
主要方法:
- 用GAgNP增强的电化学生物传感器的制造.
- 在血清中检测癌症抗原15-3 (CA15-3) 和组织同质物中的粘素1 (MUC-1).
- 应用ML算法 (随机森林,人工神经网络) 来进行数据分析和预测.
主要成果:
- 生物传感器实现了CA 15-3 (LOD 0.07 U mL-1) 和MUC-1 (LOD 0.11 U mL-1) 的敏感检测.
- 观察到高诊断准确度,随机森林预测瘤存在的准确度为98%.
- 人工神经网络在基于CA 15-3的瘤等级分类中实现了76%的准确性.
结论:
- 与ML集成的基于GAgNP的生物传感器为准确和早期的CMT检测提供了一个有前途的工具.
- 这种方法促进了非侵入性诊断,并有可能用于兽医中的瘤分类.
- 该研究强调了纳米材料,电化学传感和人工智能之间的协同作用,用于先进的诊断.
