深度学习驱动的体数字SERS用于精确监测细胞培养媒体
Peng Zheng1, Lintong Wu1, Michael Ka Ho Lee1
1Department of Mechanical Engineering, Johns Hopkins University, Baltimore, Maryland 21218, United States.
Nano letters
|April 3, 2025
概括
一个新的深度学习驱动的体数字表面增强拉曼光谱 (SERS) 平台提供快速而准确的生物制造过程监控. 这项创新可视化单分子事件,增强复杂生物质的质量控制.
科学领域:
- 生物技术是生物技术.
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 对于复杂的生物制品来说,生物制造中的一致质量至关重要.
- 当前的过程分析技术 (PAT) 难以快速,准确地监测小分子.
- 表面增强拉曼光谱 (SERS) 显示出潜力,但由于强度波动而面临可重现性挑战.
研究的目的:
- 开发一个新的深度学习驱动的合体数字SERS平台.
- 为了克服生物制造PAT.传统SERS的局限性.
- 能够快速准确地监测关键过程参数和质量属性.
主要方法:
- 开发了一个体数字SERS平台,将频谱转换为二进制"开/关"信号.
- 集成深度学习用于增强分析物检测,独立于特征性的SERS峰值.
- 利用该平台研究AMBIC 1.1哺乳动物细胞培养基.
主要成果:
- 该平台能够实现单分子事件可视化,并减少假阳性.
- 证明了广泛的分析物检测能力.
- 在监测细胞培养基中实现了高精度和可重复性.
结论:
- 基于深度学习的SERS平台提供了一个快速,准确和精确的PAT工具.
- 这项创新解决了SERS可重现性和分析特异性的关键挑战.
- 为生物制造和诊断领域的广泛采用和扩大提供了一个有希望的解决方案.
