集成机器学习的近红外表面增强拉曼光谱用于准确的病毒株级鉴定
化学物理
2025-09-15 v1
摘要
病毒株级鉴定对于应对潜在疫情爆发的有效公共卫生响应至关重要，然而目前的诊断方法往往缺乏必要的速度或灵敏度。表面增强拉曼光谱（SERS）通过生物成分独特的振动指纹，为快速且精确的病毒鉴别提供了巨大潜力。然而，现有的方案通常在组织的透明近红外（NIR）窗口之外运行，并进一步受到临床病毒样本内在复杂性的限制，这使得光谱分析与识别变得复杂。在此，我们报告了一个由人工智能（AI）赋能的 NIR-SERS 平台，该平台将机器学习与合理设计的混合基底相结合：金纳米星与镀金碳纳米管阵列耦合。电子能量损失谱（EELS）证实，该结构产生了与近红外激发共振调谐的高度局域化的等离激元热点，从而实现了病毒成分的有效信号放大。我们的系统和方案提供了呼吸道病毒（包括流感病毒和冠状病毒）的准确分类，不仅在型和亚型水平上，而且在更具挑战性的株水平上也是如此。该方法克服了传统 SERS 中的等离激元失配以及 AI 驱动诊断中缺乏泛化能力的问题。它显示出增强快速病毒检测、新毒株鉴定和疫情应对能力的希望，从而有可能解决全球公共卫生准备方面的关键挑战。
关键词
引用
@article{arxiv.2509.09851,
title = {Machine Learning Integrated Near-Infrared Surface-Enhanced Raman Spectroscopy for Accurate Strain-Level Virus Identification},
author = {Na Zhang and Ziyang Wang and Xielin Wang and Gabriel A. Vázquez-Lizardi and Paula Piñeiro Varela and Dorleta Jimenez de Aberasturi and David E. Sanchez and Nestor Perea-Lopez and Samuel Lin and Ryeanne Ricker and Edgar Dimitrov and Alexander J. Sredenschek and Kalana D. Halanayake and Yin-Ting Yeh and Julian A. Mintz and Jiarong Ye and Sharon Xiaolei Huang and Huaguang Lu and Elodie Ghedin and Danielle Reifsnyder Hickey and Luis M. Liz-Marzán and Shengxi Huang and Mauricio Terrones},
journal= {arXiv preprint arXiv:2509.09851},
year = {2025}
}