根据宾夕法尼亚州立大学研究小组的新发现,将机器学习与多模式电化学传感相结合可以显着提高生物传感器的分析性能。这些改进可能有利于无创健康监测,例如涉及唾液或汗液的测试。该研究结果于本月发表在AnalyticaChimicaActa上。

工程师通过结合机器学习改进电化学传感

研究人员开发了一种新颖的分析平台,使他们能够使用单个传感器选择性地测量多个生物分子,与使用多传感器系统的通常途径相比,节省了空间并降低了复杂性。

特别是,他们表明他们的传感器可以同时检测汗液和唾液中的少量尿酸和酪氨酸——这两种与肾脏和心血管疾病、糖尿病、代谢紊乱以及神经精神和饮食失调相关的重要生物标志物——使开发的方法适用用于个性化的健康监测和干预。

许多生物标志物具有相似的分子结构或重叠的电化学特征,因此很难同时检测它们。研究人员表示,利用机器学习来测量多种生物标志物可以提高诊断的准确性和可靠性,从而改善患者的治疗效果。此外,使用同一设备进行传感可以节省测试所需的资源和生物样本量,这对于数量稀缺的临床样本至关重要。

“我们开发了一种新方法,通过将机器学习与多模式测量相结合来提高电化学生物传感器的性能,”AidaEbrahimi、Thomas和SheilaRoell电气工程早期职业助理教授和生物医学工程助理教授说。

“使用我们优化的机器学习架构,我们可以检测到比传统传感方法低100倍的生物分子。”

研究人员的方法以硬件/软件系统为特色,使他们能够根据机器学习模型自动收集和处理信息,该模型经过训练可以识别唾液和汗液等生物体液中的生物分子,这些都是无创健康监测的常见选择。

“本文提出的机器学习驱动的电化学诊断方法可能会在多重生化传感中找到更广泛的应用,”宾夕法尼亚州立大学电气工程2022-23米尔顿和艾伯莎兰登纪念研究生研究员、该论文的第一作者VinayKammarchedu说。

“例如,这种方法可以扩展到各种其他分子,包括食物和水毒素、药物和神经化学物质,这些分子很难使用传统的电化学方法同时检测。”

在他们正在进行的工作中,研究人员正在将这种方法应用于此类神经化学物质,由于其分子结构的相似性和重叠的电化学特征,这些神经化学物质难以检测。

“我们的方法成功地使用一种材料来区分和区分四种对帕金森氏症和阿尔茨海默氏症等疾病很重要的神经化学物质,”Ebrahimi说。

“虽然初步数据很有希望,但我们必须进一步努力,以便能够检测唾液等生物样本中较低水平的这些神经化学物质。”

除了尿酸和酪氨酸的具体结果外,研究人员还对该方法的潜力和多功能性感到兴奋。

“这是一种设计电化学诊断方法的新方法,可应用于生物医学系统以外的各种应用,”Ebrahimi说。

结合用于传感器开发的材料和设备工程创新,研究人员的分析方法可能为制药、生命科学研究、食品筛选、环境毒素检测和生物防御等领域提供机会,这些领域都需要准确和多重测试或在线监测。

传统上,多路复用是通过光谱方法实现的,该方法依赖于更适合基于实验室的分析的笨重且昂贵的设备。在研究人员目前的原型阶段,硬件是台式大小的。他们正在努力制作一个更小的系统,该系统不仅可以用于健康监测。

Kammarchedu说:“最终,我们设想了一种手持式和可现场部署的设备,它比目前实验室或临床环境中使用的做法更易于使用和更容易获得。”