Resumen - Un nuevo enfoque para la clasificación de Neurotransmisores Monoaminas mediante la aplicación de Aprendizaje Automático en Series de Decaimiento de Auto Fluorescencia Ingenierada con Plasmonas de UV (AFTDS)

Un nuevo enfoque para la clasificación de Neurotransmisores Monoaminas mediante la aplicación de Aprendizaje Automático en Series de Decaimiento de Auto Fluorescencia Ingenierada con Plasmonas de UV (AFTDS)

2025-07-09 19:04:14

{"Mohammad Mohammadi","Sima Najafzadehkhoei","George Vega Yon","Yunshan Wang"}

{q-bio.BM,q-bio.NC}

Este estudio introduce un nuevo enfoque para la clasificación de neurotransmisores monoaminas, como la dopamina (DA), la norepinefrina (NE) y el ácido 3,4-dihidroxi-fenilacético (DOPAC), utilizando un método híbrido que combina nanomateriales plasmonicos avanzados y aprendizaje automático (ML). El equipo de investigación utilizó nanocúbicos cóncavos de aluminio (AlCNC) como sustrato plasmonico para aumentar la fluorescencia nativa de estos neurotransmisores, permitiendo detección sin etiqueta y sin probetas con alta sensibilidad y especificidad. Los AlCNC se descubrieron que amplifican las señales de fluorescencia débiles, lo que lleva a un aumento significativo en la intensidad de la fluorescencia para los neurotransmisores. En comparación con los sustratos de silicio, los sustratos de AlCNC proporcionaron un aumento de hasta 12 veces en la intensidad de la fluorescencia para la DA, 9 veces para la NE y 7 veces para el DOPAC. Para mejorar la precisión de la clasificación, los investigadores emplearon algoritmos de ML, con redes de Memoria a Largo Plazo (LSTM) jugando un papel central en el análisis de datos de fluorescencia dependientes del tiempo. Evaluaciones comparativas con k-Vecinos Más Cercanos (KNN) y Bosque Aleatorio (RF) demostraron la superioridad de LSTM en la distinción de neurotransmisores. Los resultados revelaron que los algoritmos de ML alcanzaron una precisión de clasificación superior al 89%, destacando la efectividad del enfoque propuesto. La metodología interdisciplinaria cierra la brecha entre la nanotecnología y el ML, mostrando el potencial sinérgico de la fluorescencia nativa aumentada por AlCNC y el ML en la biosensoría. Este marco tiene implicaciones transformadoras para la diagnósticos biomédicos y la investigación en neurociencia, ya que abre el camino para el perfilado de biomoléculas sin probetas ni etiquetas. El estudio subraya la importancia de las series de tiempo de decaimiento de la fluorescencia autógena plasmonicamente diseñadas (AFTDS) para alcanzar una alta precisión de clasificación entre neurotransmisores estructuralmente similares. Además, se demuestra la superioridad de LSTM sobre KNN y RF en el análisis de datos de fluorescencia dependientes del tiempo. En conclusión, el enfoque propuesto ofrece una solución prometedora para la detección e identificación de neurotransmisores con alta sensibilidad y especificidad. La integración de nanomateriales plasmonicos y ML proporciona una herramienta poderosa para avanzar en las tecnologías de biosensoría y tiene el potencial de revolucionar los diagnósticos biomédicos y la investigación en neurociencia.