机器学习辅助可再生和可切换极性的光电化学生物传感器用于circRNA智能诊断

科学领域:

• 生物医学工程 生物医学工程
• 分析化学 分析化学
• 癌症的诊断 癌症的诊断

背景情况:

• 循环RNAs (circRNAs) 是癌症诊断的新兴生物标志物.
• 现有的检测方法往往缺乏灵敏度,选择性或可重复使用性.
• 开发高效的生物传感器来检测全血等复杂样品中的circRNA是至关重要的.

研究的目的:

• 开发一种可再生,可转换极性的光电化学 (PEC) 生物传感器,用于敏感和选择性的circRNA检测.
• 利用机器学习进行基于circRNA的智能癌症诊断.
• 为了证明生物传感器在区分癌症患者和健康个体方面的有效性.

主要方法:

• 制造了一种具有特定分子相互作用的新型电极,用于circRNA捕获和信号放大.
• 在PEC平台中利用氧化铜 (Cu2O) 纳米圈进行极性切换.
• 包含了生物 - 斯特雷普塔维丁相互作用,以使电极可重复使用.
• 采用机器学习算法来分析PEC数据以进行诊断分类.

主要成果:

• 对于circRNA,PEC生物传感器实现了7.6aM的低检测极限.
• 显示出出色的选择性,灵敏性和可重复使用性.
• 成功地将肺癌患者与健康个体区分开来,具有很高的统计学意义 (P < 0.001).
• 机器学习集成导致100%的准确性,灵敏度和特异性,用于基于circRNA的癌症诊断.

结论:

• 开发的可再生,可切换极性的PEC生物传感器为circRNA检测提供了一个高度敏感和选择性的平台.
• 机器学习显著提高了生物传感器的诊断能力,用于早期癌症检测.
• 这种方法为circRNA分析和智能癌症诊断提供了一个有前途的新策略.