基于深度卷积神经网络的3D光传感器阵列,用于基于CuO纳米颗粒的氧化酶模拟性质在血清中识别糖

科学领域:

• 分析化学 分析化学
• 生物医学传感传感器
• 人工智能的人工智能

背景情况:

• 对生物流体中类似糖结构的准确分析具有挑战性,但对于生物医学应用来说至关重要.
• 现有的糖分析方法往往缺乏复杂生物样本所需的灵敏度和特异性.
• 需要新的方法来提高糖和多糖的检测和量化.

研究的目的:

• 开发一种深度学习模型,使用光光谱来对结构相似的糖类进行分类和预测度.
• 应用该模型来识别糖混合物和检测多糖在真实世界样本如血清和湖水中的多糖.
• 为了实现糖的高度敏感检测,以果糖显著低的检测极限为例.

主要方法:

• 利用深度学习模型训练3D光谱数据从CuO纳米颗粒表现出氧化酶类活性.
• 采用该模型对九种结构相似的糖进行分类,并预测它们的度在1-100μM的范围内.
• 扩展了该模型的应用范围,以分析血清中的复杂混合物,并在血清和湖水样本中检测多糖.

主要成果:

• 对于9种精选的糖类,获得了高分类准确度 (99-100%).
• 证明了糖度的优异预测准确性 (R2 = 97-100%).
• 确定了4.23nM的果糖的低检测极限,比以前的研究提高了120倍.

结论:

• 开发的深度学习模型有效地分析纳米酶光谱,以精确识别和量化糖.
• 该模型显示了复杂应用的巨大潜力,包括混合物分析和在各种介质中检测多糖.
• 这项工作通过整合纳米酶和深度学习来推进传感器阵列技术,为更广泛的生物医学和环境应用铺平了道路.