工程师结合机器学习改进电化学传感，可应用于健康监测

根据宾夕法尼亚州立大学研究团队的新发现，将机器学习与多模态电化学传感相结合可以显著提高生物传感器的分析性能。这些改进可能有助于无创健康监测，如唾液或汗液检测。这项研究结果本月发表在《分析化学学报》上。

研究人员开发了一种新的分析平台，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路线相比，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紊乱相关的重要生物标志物，使开发的方法适合于个性化健康监测和干预。

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，使得很难同时检测它们。研究人员表示，利用机器学习测量多种生物标志物可以提高诊断的准确性和可靠性，从而改善患者的预后。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，这对于数量稀少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态测量相结合来提高电化学生物传感器的性能，”Aida Ebrahimi、Thomas和Sheila Roell Early Career电气工程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。”

研究人员的方法采用了一个硬件/软件系统，该系统使他们能够根据机器学习模型自动收集和处理信息，机器学习模型经过训练，可以识别唾液和汗液等生物液体中的生物分子，这是无创健康监测的常见选择。

“本文中提出的机器学习供电电化学诊断方法可能在多路生化传感中找到更广泛的应用，”Vinay Kammarchedu（2022-23）说道，Milton和Albertha Langdon Memorial Graduate Fellow in Penn State是该论文的第一作者。“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，这些物质很难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，这些神经化学物质很难检测。

易卜拉希米说：“我们的方法成功地使用了一种材料来区分和区分四种神经化学物质，它们在帕金森氏症和阿尔茨海默氏症等疾病中很重要。虽然这一初步数据很有希望，但我们必须进一步努力，以便能够检测唾液等生物样本中这些神经化学物质的较低水平。”

除了尿酸和酪氨酸的具体结果外，研究人员对该方法的潜力和多功能性感到兴奋。

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

结合传感器开发的材料和设备工程方面的创新，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提供机会，在这些领域，需要进行准确和多路测试或在线监测。

传统上，多路复用是通过光谱方法实现的，这些方法依赖于更适合实验室分析的庞大且昂贵的设备。在研究人员目前的原型阶段，硬件是台式的。他们正在努力建立一个规模更小的系统，不仅可以用于健康监测。

Kammarchedu说：“最终，我们设想一种手持和现场可部署设备，它将比实验室或临床环境中使用的当前实践更容易使用和更容易获得。”