网状诱导能量转移驱动的可再生ECL系统与机器学习用于质瘤特异的双生物标志物检测和表达相关机制

科学领域:

• 电化学 电化学 电化学
• 生物标志物检测检测 生物标志物检测
• 材料科学 材料科学 材料科学

背景情况:

• 多重生物标志物检测对于疾病诊断和理解病原体至关重要.
• 现有的电化学发光 (ECL) 生物测试需要提高灵敏度和可再生性.
• 开发综合分析模型可以提高瘤分期的精度和机械洞察力.

研究的目的:

• 开发一种新的ECL平台,利用网状诱导的定向能量传输来提高灵敏度和可再生性.
• 构建一个自动化的ECL生物传感器,用于对多巴胺 (DA) 和miRNA-21.1进行序列分析.
• 应用生物传感器和机器学习来确定质瘤的阶段和了解疾病机制.

主要方法:

• 使用与Pd2+离子协调的烯衍生的共价有机框架 (pyr-COFs) 制造一个ECL平台.
• 实现金属到合金电荷转移 (MLCT) 排放途径,以提高ECL效率.
• 开发一个自动化的,可再生的ECL生物传感器,用于顺序的DA和miRNA-21检测.
• 基于逻辑回归的机器学习算法的应用,用于质瘤分类.

主要成果:

• 与标准系统相比,ECL效率提高了2.48倍.
• 证明了超灵敏的检测能力.
• 成功阐明了DA枯竭与质瘤中miRNA-21升调之间的相关性.
• 在使用机器学习对健康对照,低级和高级质瘤病例进行分类时实现了100%的准确性.

结论:

• 开发的ECL平台为生物标志物检测的灵敏度和效率提供了显著的进步.
• 自动化的可再生生物传感器为序列分析和机械研究提供了强大的工具.
• 这种方法使得精确的质瘤分期,并提供了关于疾病发病的见解,为早期诊断铺平了道路.