在机器学习辅助的双模式免疫检测中,通过等离子S方案异质连接设计接口电荷传递动力学
Zhen Yang1, Jing Wang1, Jiahui Zhao2
1Anhui Laboratory of Functional Coordinated Complexes for Materials Chemistry and Application, School of Chemical and Environmental Engineering, Anhui Polytechnic University, Wuhu 241000, P. R. China.
Analytical chemistry
|August 9, 2025
概括
我们开发了一个机器学习驱动的生物传感器,用于疾病诊断. 这种双模式传感器可以在低水平上准确检测心脏素I (cTnI),从而实现先进的临床检测.
科学领域:
- 材料科学与工程 材料科学与工程
- 生物医学工程 生物医学工程
- 分析化学 分析化学
背景情况:
- 与光电化学 (PEC) 合的双模式生物传感器对于临床诊断至关重要.
- 机器学习 (ML) 集成提高了疾病标志物检测的准确性.
- 需要先进的材料来提高生物传感器的性能.
研究的目的:
- 开发一种基于机器学习的双通道免疫测试生物传感器.
- 将等离子体TiO2@NH2-MIL-125/Au S方案光电极与CdSe@ZIF-8光探针进行集成.
- 为了实现对心脏热素I (cTnI) 的灵敏而准确的检测,用于临床应用.
主要方法:
- 一个等离子体 S 方案光电极 (TiO2@NH2-MIL-125/Au) 和纳米封闭的光探头 (CdSe@ZIF-8) 的制造.
- 构建一个与智能手机兼容的PEC合双模式生物传感器.
- 使用随机森林算法和卷积神经网络进行信号处理和cTnI量化.
主要成果:
- 优化的光电极显示光电流密度增加了581%.
- 生物传感器实现了cTnI的超低检测极限 (6.01 fg/mL).
- 对于cTnI量化,ML回归模型显示了高准确度 (R2 = 0.9966) 和低预测误差 (5%).
结论:
- 建立了一个智能,可现场部署的双模式生物传感平台.
- 集成先进的材料和ML分析,使得转型点的护理诊断.
- 这种方法为敏感和准确的疾病标志物检测提供了强大的解决方案.
