使用深度学习辅助的等离子纳米孔,单分子SERS检测血清和氨酸中的酸化
Mulusew W Yaltaye1,2,3, Yingqi Zhao1, Kuo Zhan1,3
1Research Unit of Health Sciences and Technology, Faculty of Medicine, University of Oulu, Aapistie 5 A, 90220 Oulu, Finland.
The journal of physical chemistry letters
|August 8, 2025
概括
这项研究引入了一种新的单分子表面增强拉曼光谱法 (SM-SERS) 方法来检测酸化. 该方法提高了准确性,并降低了疾病诊断和药物开发的检测极限.
科学领域:
- 生物物理化学 生物物理化学
- 分析化学 分析化学
- 分子诊断学 分子诊断
背景情况:
- 像酸化这样的翻译后修饰 (PTM) 的单分子检测对于疾病诊断和治疗至关重要.
- 现有的单分子表面增强拉曼光谱 (SM-SERS) 方法在数据分析和准确性方面面临挑战,原因是酸盐信号干扰和有限的参考数据库.
- 之前的SM-SERS技术需要分析物完全覆盖纳米粒子,从而限制了检测灵敏度.
研究的目的:
- 开发一个高精度的SM-SERS方法来检测酸化在Serine和Tyrosine.
- 克服以前的SM-SERS方法的局限性,包括酸盐信号干扰和低检测极限.
- 建立一种可靠的方法来分析SM-SERS数据,并以高可靠性确定酸化.
主要方法:
- 开发一个用于收集SM-SERS光谱的等离子粒子在孔中的传感器.
- 基于k-means的聚类的应用,以有效地消除酸盐信号干扰.
- 用一维卷积神经网络 (1D-CNN) 来进行酸化识别和分类.
主要成果:
- 实现了SM-SERS数据收集与亚单层分析剂覆盖,改善检测极限.
- 证明了高精度在分辨酸化在Serine (超过95%) 和Tyrosine (超过97%).
- 使用梯度特征权重和SM-SERS峰值发生频率来解释1D-CNN特征,以提高理解.
结论:
- 开发的SM-SERS方法在检测高精度和灵敏度的酸化方面取得了重大进展.
- 粒子在孔传感器,k-means集群和1D-CNN的组合为分析复杂的生物样本提供了一个强大的平台.
- 这种方法有望改善早期疾病诊断并加速向治疗的开发.
