提取SARS-CoV-2的SERS特征特征,并使用机器学习快速选住院患者中的阳性样本
Jaya Sitjar1, Huey-Pin Tsai2, Han Lee1
1Engineered Materials for Biomedical Applications Laboratory, Department of Materials Science and Engineering, National Cheng Kung University, Tainan, 701, Taiwan.
Talanta
|July 27, 2025
概括
这项研究开发了一种使用表面增强拉曼光谱 (SERS) 和机器学习 (ML) 来检测SARS-CoV-2的快速诊断方法. 提取的光谱特征实现了100%的灵敏度,用于识别住院患者的病毒感染.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
- 病毒学 病毒学
背景情况:
- 广泛的病毒传播需要先进的早期诊断工具来进行快速和准确的测试.
- 无标签的表面增强拉曼光谱 (SERS) 与机器学习 (ML) 结合,为标本分类提供了一个有前途的方法.
- 临床样本的复杂性给定性解释和快速查带来了挑战.
研究的目的:
- 开发和评估SERS活性基质,用于查住院患者的SARS-CoV-2 BA.2变种.
- 为了比较ML分析的性能,使用完整的SERS光谱与提取的光谱特征.
- 评估Au NPs/pZrO2和Au NPs/fZrO2基质对病毒检测的有效性.
主要方法:
- 使用SERS活性基质 (Au NPs/pZrO2和Au NPs/fZrO2) 与住院患者的鼻和喉拭片.
- 应用ML算法来区分SARS-CoV-2阳性 (CoV+) 和阴性 (CoV-) 标本.
- 研究了使用全SERS光谱与提取的光谱特征作为ML模型输入的影响.
主要成果:
- 鼻样本产生了可识别的独特的光谱特征.
- 由于纤维过,Au NPs/fZrO2基板与Au NPs/pZrO2相比显示出更好的信号检测.
- 具有全SERS光谱的ML获得了60%的灵敏度和特异性;提取的特征产生了100%的灵敏度和43-57%的特异性.
结论:
- 该SERS-ML方法可以快速查SARS-CoV-2阳性住院患者.
- 挑战包括由于并发症和样本多样性而导致的光谱谱的复杂性.
- 需要进一步细化,以区分SARS-CoV-2阴性标本的光谱谱.
