快速,在现场的SARS-CoV-2变体检测和区分使用GLAD-Pristine银纳米基数组和机器学习增强的SERS

科学领域:

• 纳米技术和光谱学
• 生物医学工程 生物医学工程
• 传染病诊断 传染病诊断 传染病诊断

背景情况:

• SARS-CoV-2 变种的出现需要先进的诊断工具来有效控制流行病.
• 目前的诊断方法可能难以精确区分密切相关的病毒菌株.
• 表面增强拉曼散射 (SERS) 为分子检测提供了高灵敏度.

研究的目的:

• 开发和验证机器学习 (ML) 集成的SERS方法,用于准确检测和区分SARS-CoV-2变体和亚变体.
• 评估支持矢量机 (SVM) 和双向长短期记忆 (BiLSTM) 模型在使用SERS数据对病毒菌株进行分类时的性能.
• 为现场COVID-19变种识别建立一个敏感和特定的平台.

主要方法:

• 使用视角沉积制造的银纳米基材的制造,用于SERS分析.
• 检测和区分SARS-CoV-2野生型,卡帕,三角形,奥米克朗变种和奥米克朗子变种 (BA.1,BA.2,BA.5,XBB).
• 将SVM和BiLSTM机器学习模型应用于来自122个临床鼻抽样样本的SERS光谱数据.

主要成果:

• 对于SARS-CoV-2变种,SERS平台展示了大约100 pfu/mL的检测极限.
• 在验证集中,SVM分类器在变种分类方面达到88.79%的准确性,在Omicron亚变种分类方面达到95.83%的准确性.
• BiLSTM模型在验证集上实现了85.98%的变异分类准确度,两种模型在盲目测试集上显示出有希望的结果.

结论:

• 综合ML-SERS方法提供了一种敏感和特定的方法,用于在临床样本中区分SARS-CoV-2变体和亚变体.
• 这种方法对现场疾病预测和增强的流行病管理策略有潜力.
• 进一步验证和优化可能会导致快速变种识别的广泛临床应用.