表面增强的拉曼散射与机器学习相结合,用于快速和灵敏地检测抗SARS-CoV-2 IgG
Thais de Andrade Silva1, Gabriel Fernandes Souza Dos Santos1, Adilson Ribeiro Prado2
1Morphology Department, Federal University of Espirito Santo, Av Marechal Campos, 1468, Vitória 29040-090, ES, Brazil.
Biosensors
|November 26, 2024
概括
这项研究提出了一种新的方法,用于检测SARS-CoV-2抗体,使用表面增强拉曼光谱 (SERS) 和机器学习. 综合方法在识别病毒方面取得了很高的准确性,提供了一个有前途的诊断工具.
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:
- 准确和快速检测SARS-CoV-2抗体对于疾病管理和疫苗疗效评估至关重要.
- 现有的诊断方法可能在速度,成本或灵敏度方面存在局限性.
- 需要开发与先进数据分析集成的新型生物传感平台.
研究的目的:
- 开发和验证一种有效的方法来检测人体血液样本中的SARS-CoV-2抗体.
- 探索表面增强拉曼光谱 (SERS) 与机器学习相结合的抗体检测的实用性.
- 为了比较各种机器学习算法的性能来分类SARS-CoV-2阳性和阴性样本.
主要方法:
- 使用金纳米颗粒与SARS-CoV-2尖端蛋白结合用于抗体捕获.
- 从594个人类血清样本中收集了拉曼光谱.
- 在Python中使用 Scikit-Learn库实现的机器学习算法 (kNN,SVM,DTs,LR,LightGBM).
- 应用统一多重近似和投影 (UMAP) 用于从拉曼光谱中提取特征.
主要成果:
- 该k-最近邻居 (kNN) 模型表现出高性能,灵敏度为0.943,特异性为0.9275,准确度为0.9377.
- 机器学习分析有效地区分了SARS-CoV-2阳性和阴性样本之间的拉曼光谱.
- 该研究成功地使用UMAP从拉曼光谱中提取了区分特征.
结论:
- 将SERS与机器学习集成,为SARS-CoV-2抗体提供了高效和准确的诊断方法.
- kNN模型在这个特定应用程序的评估算法中显示出优异的性能.
- 这项研究为生物感应数据分析的不同机器学习模型的优点和局限性提供了宝贵的见解,指导了未来的研究.
