由深度学习模型辅助的单分子SERS对烯与氧烯的歧视
Yingqi Zhao1,2, Kuo Zhan1,2, Pei-Lin Xin1,2
1Research Unit of Health Sciences and Technology, Faculty of Medicine, University of Oulu, Aapistie 5 A, 90220 Oulu, Finland.
Nano letters
|April 17, 2025
概括
研究人员开发了一种新的方法,使用粒子在孔传感器和人工智能来检测单分子氧化,这对于早期疾病诊断至关重要. 这一突破在区分烯和氧烯方面达到96.6%的准确性,克服了以前的信号干扰挑战.
科学领域:
- 分析化学 分析化学
- 生物技术是生物技术.
- 人工智能在医学中的应用
背景情况:
- 检测低丰度氧化是早期疾病诊断和药物开发的关键.
- 现有的单分子表面增强拉曼光谱 (SERS) 方法面临信号波动和酸盐干扰的挑战.
研究的目的:
- 开发一种可靠的方法来对单分子基化进行区分.
- 为了克服信号干扰和波动在SERS分析中用于基化检测.
主要方法:
- 使用等离子体粒子在孔传感器来增强SERS信号采集.
- 采用单分子SERS光谱的发生频率直方图来提取光谱特征.
- 应用了一维卷积神经网络 (1D-CNN) 模型用于基化歧视.
主要成果:
- 通过使用1D-CNN模型,成功实现了用96.6%的准确度对和氧的单分子区分.
- 组图法有效地减轻了信号波动和酸盐干扰,使模型训练能够清洁地生成信号.
- 验证了1D-CNN模型的提取特征直接对应于基化诱导的光谱变化.
结论:
- 粒子在孔SERS,直方图和1D-CNN的综合方法为单分子氧化检测提供了一个强大的新工具.
- 这种方法为早期疾病诊断和向治疗的开发提供了重大进展.


