通过整合机器学习和无标签SERS方法,快速选COVID-19住院患者样本
Jaya Sitjar1, Huey-Pin Tsai2, Han Lee1
1Engineered Materials for Biomedical Applications Laboratory, Department of Materials Science and Engineering, National Cheng Kung University, Tainan, 701, Taiwan.
Analytica chimica acta
|March 28, 2025
概括
这项研究引入了一种新的SERS活性基质,用于快速检测COVID-19变种. 将经验分析与机器学习相结合,为准确和高效的临床样本分类提供了一个有希望的方法.
科学领域:
- 纳米技术和材料科学 材料科学
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
背景情况:
- 传统的生物分析检测方法面临局限性,需要对新出现的病毒变体进行创新.
- 快速查和标准化检测对于管理像SARS-CoV-2这样的不断发展的病毒至关重要.
- 表面增强拉曼光谱 (SERS) 提供了敏感生物分析物检测的潜力.
研究的目的:
- 开发和评估用于检测临床样本中SARS-CoV-2变种的SERS活性基质.
- 为了比较经验分析和机器学习 (ML) 的有效性,用于分类COVID-19患者样本.
- 探索ML与生物化学分析的整合,以提高诊断能力.
主要方法:
- 使用金纳米粒子 (Au NPs) 在纳米多孔ZrO2结构上制造SERS活性基质.
- 应用经验方法用于峰值分配以识别SARS-CoV-2 BA.2变种特定的SERS信号.
- 机器学习 (ML) 模型的开发和应用,用于基于SERS光谱的临床样本分类.
主要成果:
- 在纯 BA.2 变种和住院患者样本之间观察到 SERS 峰值发生的显著差异.
- 经验和ML方法都实现了85.7%的灵敏度和60%的特异性,将样本分类为Cov (+) 或Cov (-).
- 与经验方法的手动峰值分配相比,ML方法证明了更短的解释时间.
结论:
- 将ML分类与经验分析相结合,为生物化学分析提供了一个全面的方法.
- 结合经验和ML方法,特别是通过使用感兴趣的区域作为ML输入,可以进一步提高诊断准确性.
- 这项研究强调了SERS与先进的分析技术相结合的潜力,以快速可靠地诊断传染病.
