机器学习预测DNA功能化碳纳米管中分析剂诱导的光扰乱
Sayantani Chakraborty1, Andrew T Krasley2, Colby H Smith1
1Department of Chemistry and Biochemistry, The University of Texas at El Paso, El Paso, Texas 79968, United States.
Nano letters
|January 7, 2026
概括
机器学习模型预测分子如何影响DNA-SWCNT纳米传感器光. 这种方法有助于设计更好的近红外传感器用于分子检测.
科学领域:
- 纳米技术纳米技术
- 生物分子工程 生物分子工程
- 计算化学的计算化学
背景情况:
- 与DNA功能化的单壁碳纳米管 (SWCNT) 作为近红外纳米传感器.
- 预测这些纳米传感器的分析物特定光学反应是很困难的.
研究的目的:
- 开发机器学习 (ML) 模型,用于预测DNA-SWCNT多巴胺纳米传感器中分析剂诱导的光变化.
- 为了确定与纳米传感器光学响应强度相关的结构特征.
主要方法:
- 利用了63个小分子围绕多巴胺的数据集.
- 使用RDKit指纹编码的分析剂,有或没有HOMO/LUMO能量.
- 应用主要组件分析和训练支持向量的回归/分类模型.
- 对模型培训进行组合和交叉验证策略的比较.
主要成果:
- 回归模型的平均R2值为0.2-0.4,交叉验证优于集合.
- 通过分类模型获得的平均F1分数约为0.8.8.
- 交叉验证证明了在21个分子的独立测试集上最好的预测性能.
结论:
- 机器学习有效地捕获结构-响应关系,即使数据有限.
- 机器学习模型可以指导DNA-SWCNT纳米传感器的in silico设计.
- 这项工作推动了针对性分子传感技术的发展.
