一个基于机器学习的SERS平台,用于精确检测和分析血管化
Wei Li1,2, Zhilian You2, Dawei Cao3
1Department of Cardiology, Zhongda Hospital, School of Medicine, Southeast University, Nanjing, 210009, China. liunf@seu.edu.cn.
Analytical methods : advancing methods and applications
|September 12, 2024
概括
这项研究引入了一种新的机器学习辅助的表面增强拉曼散射 (SERS) 技术,用于早期检测血管化 (VC). 该方法提供了一种敏感的,无标签的方法来识别血清中的VC,提高诊断能力.
科学领域:
- 生物医学工程 生物医学工程
- 分析化学 分析化学
- 心血管研究研究心血管研究
背景情况:
- 血管化 (VC) 是心血管疾病死亡率的主要原因之一.
- 目前对VC的诊断和治疗方法有限.
- 早期发现VC对于有效干预至关重要.
研究的目的:
- 开发一种机器学习辅助的表面增强拉曼散射 (SERS) 技术,用于无标签分析VC.
- 为了利用金纳米双 (GNBP) 基板在老鼠血清中高度敏感地检测VC生物标志物.
- 为实时诊断和识别VC建立一个新的基础.
主要方法:
- 通过种子介导和液体-液体接口自组装制备金纳米双 (GNBP) 基板.
- 从大鼠血清样本中测量SERS光谱.
- 主要组件分析 (PCA) -线性差异分析 (LDA) 的应用用于光谱数据处理和分类.
主要成果:
- 开发的SERS辅助机器学习模型在VC血清分类方面取得了高性能.
- 分类的准确性,敏感性和特异性达到96.0%,AUC值为0.98.
- 通过PCA加载图,确定了区分VC的关键光谱特征.
结论:
- SERS技术和机器学习的结合为早期诊断VC提供了一个有希望的新途径.
- GNBP基板在高灵敏度和高特异性检测VC方面具有显著的优势.
- 这种方法有可能显著改善血管化的早期诊断和治疗.


