双模色度/SERS侧流免疫检测与机器学习驱动的优化,用于超敏感的真菌毒素检测

科学领域:

• 分析化学 分析化学
• 纳米科学是一个纳米科学.
• 生物医学工程 生物医学工程

背景情况:

• 通过侧流免疫试验 (LFIA) 检测真菌毒素在实现高灵敏度和精度方面面临挑战.
• 脱氧尼瓦伦醇 (DON) 是一种普遍存在的真菌毒素,需要可靠的检测方法.

研究的目的:

• 开发一种双模式色素测量-SERS LFIA,用于灵敏而准确的脱氧尼瓦醇 (DON) 检测.
• 利用机器学习来加强菌毒素污染的分类和量化.

主要方法:

• 使用纳米核作为SERS基材和银纳米粒子用于热点生成的双模式LFIA的制造.
• 使用有限元建模优化电磁场强度.
• 使用普鲁士蓝色用于信号生成和背景减少.
• 应用人工神经网络 (ANN) 和K-最近邻居 (KNN) 用于数据分析.

主要成果:

• 达到了4.21pg/mL的DON的检测极限,比传统的合金LFIA提高了37倍.
• 使用机器学习算法证明了高分类准确度 (98.8%) 和0.57的低平均平方误差 (MSE).
• 成功降低了2156厘米-1的普鲁士蓝信号的背景干扰.

结论:

• 开发的双模式LFIA平台为真菌毒素检测提供了卓越的灵敏度和准确性.
• 机器学习集成显著提高纳米传感器的分析能力,用于复杂的样本分析.
• 这项技术具有很大的潜力,可以在各种矩阵中推进有害物质的检测.