侧向流量和色度测试用于胺检测,通过深度学习模型加强,与智能警报移动应用程序接口
Shariq Suleman1, Nigar Anzar1, Samra Ansari1
1Department of Biotechnology, School of Chemical and Life Science, Jamia Hamdard, New Delhi, India.
Mikrochimica acta
|August 8, 2025
概括
这项研究开发了快速,具有成本效益的治疗点 (POC) 设备,用于使用基于aptamer的侧向流量试验 (LFA) 和色度测量方法检测胺. 先进的深度学习模型实现了LFA条数据的准确分类,以实现可靠的诊断.
科学领域:
- 分析化学 分析化学
- 生物技术是生物技术.
- 人工智能的人工智能
背景情况:
- 护理点 (POC) 诊断对于快速的现场检测越来越重要.
- 胺检测对于临床和法医应用至关重要.
- 基于aptamer的侧向流量测试 (LFA) 与传统的基于抗体的方法相比具有优势.
研究的目的:
- 开发和验证用于胺检测的新型POC方法.
- 探索基于aptamer的色度测量和LFA对于胺分析的实用性.
- 实施一个深度学习框架,用于自动化LFA数据解释.
主要方法:
- 使用金纳米颗粒和UV-Vis光谱光度测量用于胺检测的颜色测量适应传感器.
- 在合成尿液中检测胺的aptamer-based横向流量测试 (LFA) 的开发.
- 实施双阶段深度学习框架 (YOLOv5和ResNet50) 用于LFA条形图像分类.
主要成果:
- 开发的LFA显示合成尿液中胺的检测极限为0.1μg/mL.
- 颜色测量方法使敏感的胺检测成为可能.
- 深度学习系统实现了LFA带数据的准确和快速分类.
结论:
- 基于aptamer的POC设备,结合深度学习,为胺检测提供了一个有希望的,准确的和具有成本效益的解决方案.
- 开发的技术为护理点诊断提供了一个便携式和可靠的替代方案.
- 这种方法提高了药物监测快速诊断工具的能力.
