深度学习算法通过Mn₃O₄纳米酶基色度传感器阵列使得炭生物标志物的视觉检测成为可能.

科学领域:

• *纳米材料和传感器技术
• *生物标志物检测和化学分析
• * 人工智能在诊断中的应用

背景情况:

• * 精确检测炭生物标志物2,6-二二酸 (2,6-PDA) 对公共卫生至关重要.
• *现有的检测方法可能耗时且劳动密集.
• *需要开发快速,灵敏和选择性的传感器系统.

研究的目的:

• * 开发一种创新的色度传感器阵列 (CSA),用于检测2,6-PDA及其结构类似物.
• * 集成先进的算法,包括深度学习,用于自动化分析和分类.
• * 提高生物标志物检测的速度,准确性和成本效益.

主要方法:

• *使用可调节的氧化酶类活性的氨改性Mn3O4纳米酶制造CSA.
• * 用纳米酶催化3,3',5,5'-四甲丁 (TMB) 的氧化,产生可量化的颜色变化.
• *应用多变量统计分析和YOLOv8深度学习算法来解释和分类数据.

主要成果:

• *CSA成功地区分了2,6-PDA和六种结构类型.
• * 2,6-PDA.的低检测极限 (LOD) 达到了0.015 ± 0.002μM.
• *YOLOv8算法在自动检测和分类方面表现出高性能 (mAP 0.98-0.99).

结论:

• * 开发的CSA与先进的算法集成,为2,6-PDA检测提供了一个快速而准确的方法.
• *使用YOLOv8进行自动分析,大大减少了检测时间和劳动力成本.
• *这种方法为复杂环境中的现实应用提供了一个强大的平台,例如生物流体分析.