深度学习辅助的表面增强的拉曼光谱检测刺激剂的检测

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 计算化学计算化学

背景情况:

• 滥用兴奋剂是一个公共卫生问题,威胁着体育的完整性.
• 敏感和快速检测技术对于监管至关重要.
• 对于某些应用,现有的方法可能缺乏所需的灵敏度或速度.

研究的目的:

• 为五种特定的兴奋剂开发一种高度敏感和快速检测方法.
• 将表面增强拉曼光谱 (SERS) 与深度学习相结合,用于刺激物识别.
• 为了验证该方法在生物样本中检测兴奋剂的有效性.

主要方法:

• 传统的拉曼光谱和密度函数理论 (DFT) 计算被用来获得分子振动数据.
• 黄金纳米粒子 (Au NPs) 被用作SERS的基质,以提高检测灵敏度.
• 四个机器学习算法 (SVM,DNN,RNN,LSTM) 被训练来分类SERS光谱数据.

主要成果:

• 使用SERS,可以检测到五种兴奋剂 (甲,甲,甲,tulobuterol,cimaterol) 的痕量.
• 开发的方法成功地检测出所有五种兴奋剂在血样中.
• 长期短期记忆 (LSTM) 网络在识别SERS光谱中的兴奋剂方面表现出99.7%的准确性.

结论:

• 综合的SERS和深度学习方法为高灵敏度兴奋剂检测提供了一个有前途的解决方案.
• 这种方法在食品安全监测和生物标志物查方面具有潜在的应用.
• 该研究强调了分析化学中先进的计算技术在监管目的中的有效性.