使用全细胞生物传感器与机器学习方法和SHAP解释相结合,揭示杏仁的恶化

科学领域:

• 食品科学 食品科学 食品科学
• 生物传感器技术技术
• 机器学习应用 机器学习应用

背景情况:

• 杏仁在储存期间容易氧化,因此需要实时质量监测.
• 目前评估杏仁质量的方法可能不高效或不适合在现场检测.

研究的目的:

• 开发一种现场,高效,环保的方法来实时监测杏仁的质量.
• 利用全细胞生物传感器与机器学习相结合,用于检测杏仁的恶化.

主要方法:

• 使用六个特定的生物传感器 (pspA, uvrA, katG, ropS, grpE, leuA) 制造一个全细胞生物传感器阵列.
• 机器学习算法的应用,包括线性差异分析 (LDA),物流回归 (LR),部分最小平方差异分析 (PLS-DA),支持向量机 (SVM) 和随机森林 (RF).
• 利用了Mantle测试来理论支持生物传感器发光反应和SHAP算法用于模型可视化和解释.

主要成果:

• 为了制造全细胞生物传感器,成功地探索了六个生物传感器.
• 支持矢量机 (SVM) 和随机森林 (RF) 算法表现出高预测准确度 (分别为97.5%和100%),表现优于线性模型.
• 全细胞生物传感器阵列与射频算法相结合,被证明是有效的检测杏仁的恶化.

结论:

• 开发的全细胞生物传感器阵列与机器学习 (特别是RF) 相结合,为监测杏仁质量提供了一种高效的现场战略.
• 这种方法为杏仁和潜在的其他食品的质量保证提供了一个环保的解决方案.