一个机器学习辅助的非酶电化学生物传感器检测了基于多壁碳纳米管的尿素,其功能与氧化铜微花
Jitendra B Zalke1, Manish L Bhaiyya1, Pooja A Jain2
1Department of Electronics Engineering, Ramdeobaba University, Nagpur 440013, MH, India.
Biosensors
|October 25, 2024
概括
这项研究引入了一种用于尿素检测的新型电化学生物传感器,通过机器学习 (ML) 增强. 该传感器采用独特的纳米复合材料,实现了高灵敏度和精度,用于定量生物样本中的尿素水平.
科学领域:
- 电化学 电化学 电化学
- 材料科学 材料科学 材料科学
- 生物医学工程 生物医学工程
背景情况:
- 尿素检测对于诊断各种健康状况至关重要,需要准确可靠的检测方法.
- 机器学习 (ML) 集成显著提高了电化学生物传感器的性能.
- 现有的方法可能缺乏早期疾病诊断所需的灵敏度或特异性.
研究的目的:
- 开发和验证一种灵活的,电化学的,非酶的ML辅助生物传感器,用于精确的尿素量化.
- 研究一种用于尿素传感的新型纳米复合材料的性能特征.
- 为了证明ML在生物传感应用中所提供的准确性和可靠性的改进.
主要方法:
- 用多壁碳纳米管-氧化 (MWCNT-ZnO) 和氧化铜 (CuO) 微流体 (MFs) 修改的印,灵活的生物传感器的制造.
- 使用sol-gel,XRD,FESEM和FTIR技术合成和描述CuO-MFs.
- 使用循环电量计 (CV) 进行电化学评估,并应用基于回归的ML模型来预测尿素度.
主要成果:
- 生物传感器显示出尿素的线性检测范围为0.5-8mM.
- 获得了78.479nm的低检测极限 (LoD) 和117.98mA mM-1 cm-2的高灵敏度.
- ML模型显著提高了从CV数据中预测尿素度的准确性和可靠性.
结论:
- 开发的ML辅助非酶生物传感器为尿素检测提供了一个灵敏,准确和可靠的平台.
- 这种方法表明了在复杂的生物样本中进行先进的生化传感的潜力.
- 该方法为准确可靠的诊断工具的未来创新铺平了道路.
