基于UV等离子体调制自发荧光时间衰减系列应用机器学习对单胺神经递质进行分类的新方法
生物大分子
2025-07-11 v1 神经元与认知
摘要
本研究提出一种集成先进等离子体纳米材料和机器学习(ML)的混合方法，用于高精度生物分子检测。我们利用凹面铝纳米立方体(AlCNCs)作为创新的等离子体基质，增强神经递质(包括多巴胺(DA)、去甲肾上腺素(NE)和3,4-羟基苯丙酸酮酸(DOPAC))的本征荧光。AlCNCs放大弱荧光信号，实现无探头、无标签检测和这些分子的差别化，具有很高的灵敏度和特异性。为进一步提高分类准确度，我们采用机器学习算法，其中长短期记忆(LSTM)网络在分析时依赖荧光数据方面发挥核心作用。与k近邻(KNN)和随机森林(RF)的比较评估表明，LSTM在区分神经递质方面性能优越。结果显示，AlCNC基质相对于硅基质可实现DA的荧光强度提升最高达12倍、NE提升9倍、DOPAC提升7倍。与此同时，机器学习算法实现分类准确率超过89%。这种交叉学科的方法填补了纳米技术与机器学习之间的鸿沟，展示了AlCNC增强的本征荧光与机器学习在生物传感领域的协同潜力。该框架为无探头、无标签的生物分子轮廓化提供了路径，为医学诊断和神经科学研究提供了变革性的意义。
引用
@article{arxiv.2507.07227,
title = {A novel approach for classifying Monoamine Neurotransmitters by applying Machine Learning on UV plasmonic-engineered Auto Fluorescence Time Decay Series (AFTDS)},
author = {Mohammad Mohammadi and Sima Najafzadehkhoei and George Vega Yon and Yunshan Wang},
journal= {arXiv preprint arXiv:2507.07227},
year = {2025}
}