深度学习辅助的表面增强的拉曼光谱检测细胞内活性氧物种
Hua-Ying Chen1, Yue He2, Xiao-Yuan Wang2
1College of Biology and Environmental Engineering, Zhejiang Shuren University, Hangzhou, 310015, PR China.
Talanta
|November 18, 2024
概括
这项研究引入了一种智能检测方法,该方法结合了表面增强拉曼光谱 (SERS) 和深度学习,用于分析细胞内活性氧物种 (ROS). 这种方法可以准确地识别和量化活细胞中的过氧酸盐 (ONOO-) 和低酸盐 (ClO-).
科学领域:
- 生物医学工程 生物医学工程
- 分析化学 分析化学
- 计算生物学 计算生物学
背景情况:
- 细胞内活性氧物种 (ROS) 是疾病诊断的关键生物标志物.
- 目前用于ROS检测的方法往往缺乏特异性和效率.
- 表面增强拉曼光谱 (SERS) 提供高灵敏度,但需要先进的分析技术.
研究的目的:
- 利用深度学习开发一种基于SERS的智能检测方法,用于细胞内ROS.
- 在生物系统中同时检测和量化过氧化 (ONOO-) 和低化 (ClO-).
- 增强SERS对复杂生物数据的分析能力.
主要方法:
- 用4-mercaptophenylboric acid (4-MPBA) 和2-mercapto-4-methoxyphenol (2-MP) 修改的金纳米颗粒 (AuNP) 纳米探针的制造.
- 在与ONOO-和ClO-.反应之前和之后收集纳米探测器的SERS光谱.
- 开发用于光谱提取的神经网络模型 (ENN) 和用于定量化的1D卷积神经网络 (1D-CNN).
主要成果:
- 对于光谱相关性,ENN模型实现了高的共因相似值 (0.997对于ONOO,0.995对于ClO-).
- 模型的定性和定量结果与实验发现密切匹配.
- 这些模型能够准确地提取SERS光谱信息,并预测活细胞中的初步度.
结论:
- SERS和深度学习的整合为智能细胞内ROS分析提供了强大的工具.
- 这种智能检测方法显示了高通量处理和精确分析来自生物系统的复杂SERS数据的巨大潜力.
- 开发的方法通过增强的ROS检测来促进疾病的快速诊断.
