用SERS超光谱和机器学习改进蛋白质量化
Jiaheng Cui1, Chenyao Feng2, Xulan Chen3
1School of Electrical and Computer Engineering, College of Engineering, The University of Georgia, Athens, Georgia 30602, United States.
ACS omega
|February 23, 2026
概括
这项研究引入了一种用于表面增强拉曼光谱 (SERS) 的新型超光谱框架,以改进定量蛋白质分析. 通过结合来自不同表面的信号,研究人员实现了更准确的蛋白质量化,克服了吸附挑战.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 生物分子分析
背景情况:
- 使用表面增强拉曼光谱法 (SERS) 进行定量蛋白质分析,因在等离子体表面的蛋白质吸附不一致而受到阻碍.
- 开发强大的SERS方法对于在各种生物和化学应用中准确量化蛋白质至关重要.
研究的目的:
- 引入和验证一个超光谱导向的SERS框架,用于增强的定量蛋白质分析.
- 研究不同表面化学和光谱组合对量化准确性的影响.
- 在SERS中建立有效的超光谱构造的设计原则.
主要方法:
- 银纳米基 (AgNR) 基底与氨酸 (CM),氨酸 (CN),6-基-1-醇 (MCH) 和未修改的AgNRs (B) 的功能化,以创建多样化的相互作用环境.
- 通过将这些功能化表面的各种组合的SERS信号连接起来,构建超光谱.
- 使用支持向量回归 (SVR) 和随机森林回归 (RFR) 进行牛血清白蛋白 (BSA) 定量分析,评估超光谱性能.
主要成果:
- 选择性超光谱构造至关重要;单面光谱缺乏多样性,包括所有表面可能会由于非信息特征而降低准确性.
- 来自互补的表面化学的超光谱,特别是CM&CN对或B&CM&CN三重组,显著提高了定量预测的准确性.
- 随机森林回归 (RFR) 在整合化学异质光谱数据方面表现优于SVR.
结论:
- 该研究建立了用于蛋白质SERS分析的有效超光谱的设计原则.
- 分析物-表面相互作用的互补性是使用SERS实现准确和可扩展的蛋白质定量化的关键.
- 开发的框架提供了一种有希望的方法来克服基于SERS的蛋白质量化的局限性.
