提取真实病毒SERS光谱和增强数据,以改善病毒分类和量化
Yufang Liu1, Yanjun Yang2, Haoran Lu1
1Department of Statistics, Franklin College of Arts and Sciences, University of Georgia, Athens, Georgia 30602, United States.
ACS sensors
|May 18, 2025
概括
这项研究引入了一种深度学习框架,用于使用表面增强拉曼光谱 (SERS) 改进病毒检测. 该方法提取纯病毒光谱,提高传染病的诊断准确度.
科学领域:
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学.
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 表面增强拉曼光谱 (SERS) 提供快速而敏感的传染病诊断.
- 生物样本背景掩盖了真正的病毒信号,使检测和数据分析复杂化.
研究的目的:
- 开发一个深度学习框架,从杂的生物样本中提取纯病毒SERS光谱.
- 改进基于SERS的呼吸道病毒的识别,分化和量化.
主要方法:
- 利用双神经网络提取真实的病毒SERS光谱并估计度系数.
- 在水和唾液中的不同病毒度的增强光谱数据集.
- 在增强数据上训练XGBoost模型,用于分类和度预测.
主要成果:
- 提取的光谱与高度光谱密切匹配,验证了准确性.
- 在增强的水数据上,XGBoost模型实现了>92%的准确性和R2>0.95.
- 模型证明了唾液数据的稳定性,达到>91%的准确性和R2>0.9.9.
结论:
- 深度学习框架成功地提取了清洁的病毒SERS光谱,克服了背景噪音.
- 这种方法显著提高了基于SERS的传染病诊断.
- 这种方法促进了精确的物种识别,分化和量化.
