深度ATsers:一个深度学习框架,用于检测SARS-CoV-2病毒的一SERS生物传感器

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 频谱学是一种光谱学.

背景情况:

• 人工智能 (AI) 在医疗诊断中的整合使得疾病的识别更快,更准确.
• 表面增强拉曼光谱 (SERS) 为分子检测提供了独特的类似指纹的光谱数据.

研究的目的:

• 开发和验证一种新的深度学习模型,DeepATsers,以使用SERS生物传感器快速准确地检测COVID-19.
• 评估模型识别特定SARS-CoV-2蛋白质的能力,并在不同的数据集中进行概括.

主要方法:

• 开发DeepATsers,这是一个结合卷积神经网络 (CNN) 和生成对抗网络 (GAN) 的深度学习模型.
• 使用一SERS生物传感器进行实验性光谱数据采集.
• 应用数据增强技术,包括EMSA,高斯噪声,GAN和K折交叉验证,以提高数据集概括性.
• 使用全光谱波数范围训练模型以获得最佳性能.

主要成果:

• 从SERS的光谱数据中,DeepATsers准确地识别了SARS-CoV-2蛋白质 (S,N,VLP,Streptavidin,空白).
• 数据增强,特别是使用GAN,增加了数据集大小,并将平均蛋白质分类准确度从0.6000提高到0.9750.
• 与传统的机器学习方法 (RF,GBM,SVM,KNN) 相比,该模型显示出更高的性能.
• 与SARS-CoV-2 Omicron变异光谱的验证证实了该模型的稳定性和通用性.

结论:

• DeepATsers提供了一个强大的,通用和生成的深度学习框架,用于分析SARS-CoV-2的1D SERS光谱数据集.
• 由人工智能驱动的SERS生物传感器方法显示,对快速准确的COVID-19诊断有很大的前景.