人工智能集成到基于波长的SPR生物传感:光谱分析和检测方面的进展

科学领域:

• 生物感应是一种生物感应.
• 频谱学是一种光谱学.
• 人工智能的人工智能

背景情况:

• 深度学习增强了生物传感数据分析,解释和预测准确度.
• 虽然深度学习在一些SPR领域使用,但其应用于光谱SPR生物传感器的应用是新的.
• 本研究重点是整合人工智能,以提高便携式SPR生物传感器的信号噪声比 (SNR) 和检测精度.

研究的目的:

• 开发和验证一种人工智能驱动的方法,以提高基于波长的便携式SPR生物传感器的性能.
• 提高这些生物传感器的信号噪声比 (SNR) 和检测精度.
• 提高人工智能模型的可解释性和透明度.

主要方法:

• 设计了一个深度神经网络,集成了光谱减法,用于SPR响应提取.
• 利用差异光谱作为AI模型的输入.
• 采用了沙普利增量解释 (SHAP) 分析来解释模型的可解释性.

主要成果:

• 与传统方法相比,人工智能模型展示了优异的降噪和增强的检测能力.
• 实现了显著放大SNR和改进的检测分辨率到10−7 RIU.
• SHAP分析证实,人工智能模型优先考虑SPR感应灵敏度至关重要的波长区域,与理论理解保持一致.

结论:

• 人工智能集成推进了便携式SPR生物传感的现场检测技术.
• 人工智能模型有效地降低了噪音,并提高了检测准确性,特别是在低度分析物中.
• 这一创新有望在生物医学诊断,环境监测和生物化学分析中实现变革性的应用,这些应用需要实时,高精度,现场检测.