Feature Selection Assists BLSTM for the Ultrasensitive Detection of Bioflavonoids in Different Biological Matrices Based on the 3D Fluorescence Spectra of Gold Nanoclusters
Analytical Chemistry ( IF 8.008 )
Pub Date : 2022-12-06
DOI: 10.1021/acs.analchem.2c03814
生物液体中小分子(包括生物黄酮)的快速现场定性和定量分析在生物医学应用中具有重要意义。本文以金纳米团簇的三维荧光光谱为单探针，建立了两种深度学习模型，用于快速定性和定量分析血清中8种生物黄酮类化合物。结果证明了随机森林-双向长短期记忆(RF-BLSTM)模型的有效性和稳定性，该模型只使用最重要的特征，删除了可能阻碍模型在极低浓度下识别血清中所选生物黄酮的不重要特征。优化后的模型对所选生物黄酮类化合物进行定性分析，总体准确率为98 ~ 100%。接下来，将优化的模型转移到以纳米级浓度量化血清中所选的生物黄酮类化合物。传递模型精度较好，总体决定系数(R2)值范围为99 ~ 100%。此外，优化后的模型在其他应用中，包括血清中的多重检测和模型在尿液中的适用性，都取得了良好的准确性。此外，还考虑了纳米级浓度下血清LOD。因此，这种方法为在纳米级浓度下对生物流体中的小分子进行定性和定量分析打开了窗口，这可能有助于将传感器阵列快速纳入生物医学和其他应用。
由于生物黄酮类化合物广泛存在于植物中，并发挥着许多重要的作用，如生长和抵御捕食者和微生物的自我防御，因此受到了广泛的关注。因此，它们在植物中的大量存在导致了它们在许多医学领域的应用，如用于抗癌、抗病毒、抗菌、抗炎、抗动脉粥样硬化、抗骨质疏松和抗凝血等。它们也被用来保护肝脏和皮肤。此外，某些形式的传统中药含有生物黄酮类化合物，用于治疗肾脏疾病，因为它们影响药物的药理功能。另一方面，它们在高剂量下有一些副作用，因为它们是诱变剂，参与激素代谢的关键酶抑制剂，自由基生成器(促氧化剂)和CVD危险因素的增强。此外，它的副作用包括低烧、过敏反应和胃肠道反应。几种先进的仪器可用于生物黄酮类化合物的鉴定，包括色谱耦合质谱仪和紫外可见吸收仪。然而，这些仪器需要一些要求，包括并非所有化合物都有参考标准、大量时间、昂贵的试剂、训练有素的团队和特定的方案。因此，这些方法可能不适合同时测定一组生物黄酮类化合物。此外，由于生物黄酮类化合物的复杂结构和参考标准的限制，它们的鉴定存在问题。此外，生物黄酮类化合物结构的多样性可能导致定性和定量分析的误差。此外，由于许多类似物的存在，在真实样品中鉴定生物黄酮类化合物被认为是一个很大的挑战。因此，建立不同生物基质中不同类型生物黄酮类化合物的定量方法具有重要意义。金纳米团簇具有制备简便、稳定性高、转移量大、毒性低等独特特性，被广泛应用于化学/生物传感领域。在传感中使用AuNC的传统方法是一种锁键方法，但这种方法不适合同时限定和量化多个分析物，特别是对于在复杂矩阵中具有高度相似结构的分析物。因此，传感器阵列的使用是同时检测多种分析物的最佳解决方案，因为它模仿了人类的嗅觉和味觉。因此，这种方法从一个分析物到另一个分析物具有不同的灵敏度和选择性，因此传感器阵列工作以分别为每个分析物收集尽可能多的不同响应。因此，这种方法依赖于不同的反应，而不是特定的受体-目标相互作用，这可能使它在复杂介质中区分具有相似结构的分析物时具有额外的优势。此外，使用单个探针作为传感器阵列来区分几种相似的分析物也具有独特的优势，例如减少工作量和成本。因此，利用AuNC独特的光致发光特性来识别复杂介质中许多相似的分析物是非常必要的。深度学习是人工智能的一个分支，它是图像处理、自然语言处理等领域最流行的方法之一。由于其算法通过使用简单的非线性单元转换和提取基本特征，从数据中提取内在信息，因此在分析化学领域也得到了广泛应用。循环神经网络(RNN)是最重要的深度学习算法之一，除了用于语音识别和自然语言处理外，还广泛应用于时间序列处理领域。针对RNN存在的梯度消失和爆炸问题，设计了一种先进的RNN体系结构——长期记忆(LSTM)。LSTM在解决梯度问题(消失和爆炸)时具有独特的优势，在预测时间序列时具有良好的效率。此外，与RNN相比，术语(长期记忆)使其能够处理长序列，并使用更多参数更准确地预测时间序列。LSTM依赖于前一个输入，但实际上，输出也依赖于后一个输入，这增加了模型可用的输入数量。为此，本文设计了一种具有先进体系结构的LSTM新模型。该模型由Schuster等人设计，命名为双向LSTM (BLSTM)。BLSTM已经在许多应用中证明了其卓越的准确性，包括琥珀酰化位点的预测，RNA蛋白序列和结构的鉴定，膜蛋白动力学的分析，和视频数据的分析。因此，认为BLSTM与3D荧光(FL)数据在非常低浓度(例如nmol/L)的复杂基质中可能是有效的。
方案1：提出的用于所选生物类黄酮定性和定量分析的传感器阵列方法的示意图。在之前的研究中，采用半胱胺/n-乙酰-l-半胱氨酸/AuNCs溶液(Cys/NAC-AuNCs)作为探针，基于光诱导电荷转移(PCT)机制测定黄芩苷(以生物黄酮类化合物为例)。本实验结果为黄芩苷在实际样品中的鉴别提供了可能。然而，据所知，在以往的大多数生物传感器研究中，生物类黄酮检测的一般工作程序(包括检测限(LOD))都是在去离子水(DW)中进行的，研究人员只是将真实样品作为应用步骤或在相对较高的浓度下进行。此外，研究发现，从数据集中选择信息量最大的特征可以提高模型的性能，因为它消除了不同目标之间的干扰，特别是对于可能包含许多冗余、干扰和不相关特征的现实应用程序。因此，选择合适的特征选择方法可以降低模型的计算复杂度，提高模型的性能。受上述启发，本研究基于PCT机制对不同生物基质中不同类型的生物黄酮类化合物进行了鉴定。在此基础上，建立了以整个三维FL为完整指纹的BLSTM模型(命名为BLSTM)和基于随机森林的特征选择后的RF(命名为RF-BLSTM)，用于识别不同生物基质中所选的生物黄酮类化合物。据所知，这是第一个完全在真实样品(包括LOD)中进行的基于金纳米团簇的3D荧光光谱来限定和识别生物黄酮类化合物的研究。方案1说明了的方法。