AC.机器学习辅助的纳米酶/生物酶双偶联阵列快速检测淀粉样蛋白

以下文章来源于分析化学方法 ，作者科研小组

全文简介

基于阵列的传感方法在同时检测多种淀粉样生物标志物方面具有显著优势，因此在诊断早期阿尔茨海默病方面具有巨大潜力。然而，检测低浓度的淀粉样蛋白仍然极具挑战性。在这里，我们开发了一种荧光传感器阵列，基于纳米酶(AuNPs)和生物酶(辣根过氧化物酶)的双重耦合来检测淀粉样蛋白。各种ss-DNA与纳米酶结合，用于调节酶活性和识别淀粉样蛋白。通过机器学习算法从筛选模型中生成简化的传感器阵列，并通过两步酶促反应实现信号放大。因此，我们的传感系统可以在200 nM下以100%的准确度区分聚集种类和聚集动力学。此外，该传感器阵列能够以100%的准确率区分AD模型小鼠和健康小鼠，为AD的诊断提供了一个强大的传感平台。

简介

双酶耦合信号扩增策略，用于构建荧光阵列传感器，用于检测低浓度的淀粉样蛋白。

ss-DNA的差异。（A）这项工作中使用的寡核苷酸序列。（B）荧光强度变化（I-I0）/I0响应模式。

过滤掉非必要的功能。（A）ASE模型的流程图。（B）基于具有五个输入特征的ASE模型对Aβ40/Aβ42进行分类的特征重要性结果图。（C）荧光强度变化（I-I0）/I0响应模式。每条误差线代表六个独立测量值的标准差。（D）Aβ40的浓度拟合曲线。

纳米酶/生物酶阵列检测Aβ聚集体。（A）通过用传感器（Au/N1、Au/N2、Au/N5）处理Aβ蛋白（三缓冲液中的200 nM）获得的荧光响应模式（I-I-I0）/I0的变化。每条误差线代表10个独立测量的标准偏差。（B）传感器阵列在200 nM时对Aβ聚集体的响应的LDA散射图。（C）八种机器学习算法的分类结果。（D）八种机器学习算法的预测分数。

测试结果分类的可视化。（A）传感器阵列对Aβ42/Aβ40肽响应的LDA散点图。每个比率的总浓度为200 nM。（B）在不同时间点终止的Aβ42产物的LDA散射图。混合蛋白质的最终浓度为200 nM。（C）传感器阵列在0.5%的胎牛血清环境中对Aβ肽的响应。（D）实际样本的分化结果分布。结果来自AD小鼠和健康小鼠的血清。

相关成果以“Machine Learning-Assisted Nanoenzyme/Bioenzyme Dual-Coupled Array for Rapid Detection of Amyloids”，发表在国际学术期刊“Ananlytical Chemistry”上。

文献链接：点击阅读原文

https://doi.org/10.1021/acs.analchem.2c04244

转自：“NANO学术”微信公众号

如有侵权，请联系本站删除！