亚酸功能化黄金纳米支柱能够通过表面增强的拉曼光谱来进行普罗林和氧的随机检测和深度学习分析
Yuan Zhang1, Kuo Zhan1,2, Peilin Xin1,2
1Research Unit of Health Sciences and Technology (HST), Faculty of Medicine, University of Oulu, Oulu 90220, Finland. jianan.huang@oulu.fi.
Nanoscale
|January 12, 2026
概括
这项研究引入了一种快速随机SERS方法,用于区分proline和hydroxyproline,这对于疾病监测至关重要. 该技术将功能化的金纳米柱与深度学习相结合,用于在复杂的生物样本中准确检测.
科学领域:
- 生物化学 生物化学
- 分析化学 分析化学
- 生物医学工程 生物医学工程
背景情况:
- 氨酸氧化对于原体代谢和疾病监测至关重要.
- 使用传统的SERS对 (Pro) 和 (Hyp) 的无标签区分是具有挑战性的,因为细微的结构差异和较长的吸附时间.
- 现有的SERS方法在信号重叠和缓慢检测方面遇到了困难.
研究的目的:
- 开发一种快速可靠的方法来区分和量化和氧.
- 为了克服传统SERS分析这些氨基酸的局限性.
- 通过对翻译后修改的敏感检测,使得早期疾病诊断成为可能.
主要方法:
- 用酸 (NTA) 和离子 (Ni2+) 功能化金纳米柱,以创建NTA-Ni结构,以暂时结合Pro/Hyp.
- 开发一种随机SERS方法,分析SERS时间序列和事件发生频率.
- 一维卷积神经网络 (CNN) 的应用,用于信号分析和识别.
主要成果:
- 在30分钟内检测到Pro和Hyp,比传统方法快得多.
- 在混合物中达到Pro的0.20nM和Hyp的0.23nM的低检测极限.
- 使用CNN模型的高识别准确率为NTA-Ni-Pro的86.9%,NTA-Ni-Hyp的89.6%.
- 证明有效的结合动力学分析和量化.
结论:
- 开发的随机SERS方法与深度学习相结合,为敏感的基化检测提供了一种新的策略.
- 这种方法在分析生物流体的翻译后修改方面具有很高的实用性.
- 该方法对复杂的生物医学定量分析和早期疾病诊断充满希望.
