使用机器学习增强的石墨烯生物传感器,对雌激素水平的阿尔茨海默氏症生物标志物的强有力的检测

科学领域:

• 生物医学工程 生物医学工程
• 纳米技术 纳米技术
• 人工智能的人工智能

背景情况:

• 早期阿尔茨海默病 (AD) 诊断需要高度敏感的血液生物标志物测试.
• 石墨烯场效应晶体管 (GFET) 对AD生物标志物检测有希望,但在设备变化和重新校准方面面临挑战.

研究的目的:

• 开发一种机器学习方法,使用GFET进行强大的AD生物标志物检测,克服设备对设备的变化,并消除对个别校准的需求.
• 为了能够准确地分类认知状态,使用血液生物标志物进行早期AD查.

主要方法:

• 利用人工神经网络 (ANN) 训练了全GFET传输特征,以提取设备弹性特征.
• 在广泛的度范围内检测到三种AD生物标志物 (Aβ42,Aβ40,P-tau217) (1 fg/mL到1.0 × 105 fg/mL).
• 验证了72个临床血样本的方法,用于四向认知状态分类.

主要成果:

• 在多个GFET设备中检测AD生物标志物的准确度达到了98.9-100%.
• 使用多种生物标志物组合成功分类认知状态 (健康,主观认知衰退,轻度认知障碍,AD).
• SHAP分析表明,ANN利用新的GFET特征区域进行增强的检测.

结论:

• 机器学习将固有的可变石墨烯生物传感器转化为AD的可靠诊断工具.
• 开发的平台解决了关键的障碍,以点的护理AD查通过使传感器部署没有设备特定的校准.
• 这种方法为强大而准确的阿尔茨海默病早期检测提供了一条途径.