Résumé - Une nouvelle approche pour classifier les neurotransmetteurs monoamines en appliquant l'apprentissage automatique sur des séries de décroissements de fluorescence auto-éclairante plasmoniques UV (AFTDS) ingénieries.

Une nouvelle approche pour classifier les neurotransmetteurs monoamines en appliquant l'apprentissage automatique sur des séries de décroissements de fluorescence auto-éclairante plasmoniques UV (AFTDS) ingénieries.

2025-07-09 19:04:14

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

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

Cette étude présente une nouvelle approche pour la classification des neurotransmetteurs monoamines, tels que la dopamine (DA), la norépinéphrine (NE) et l'acide phénylacétique 3,4-dihydroxylique (DOPAC), en utilisant une méthode hybride qui combine des nanomatériaux plasmoniques avancés et l'apprentissage automatique (ML). L'équipe de recherche a utilisé des nanocubes concaves d'aluminium (AlCNC) comme substrat plasmonique pour renforcer la fluorescence naturelle de ces neurotransmetteurs, permettant une détection sans étiquette et sans probe avec une haute sensibilité et spécificité. Les AlCNC ont été found à amplifier les signaux de fluorescence faibles, conduisant à une augmentation significative de l'intensité de fluorescence pour les neurotransmetteurs. Comparativement aux substrats en silicium, les substrats en AlCNC ont fourni une augmentation de l'intensité de fluorescence jusqu'à 12 fois pour la DA, 9 fois pour l'NE et 7 fois pour le DOPAC. Pour améliorer davantage l'exactitude de la classification, les chercheurs ont employé des algorithmes d'apprentissage automatique, avec des réseaux de Long Short-Term Memory (LSTM) jouant un rôle central dans l'analyse des données de fluorescence dépendantes du temps. Des évaluations comparatives avec les k-Plus Proches Voisins (KNN) et les Forêts Aléatoires (RF) ont démontré la performance supérieure de LSTM pour distinguer les neurotransmetteurs. Les résultats révèlent que les algorithmes d'apprentissage automatique ont atteint une précision de classification supérieure à 89%, mettant en évidence l'efficacité de l'approche proposée. La méthodologie interdisciplinaire comble le fossé entre la nanotechnologie et l'apprentissage automatique, montrant le potentiel synergétique de la fluorescence native renforcée par les AlCNC et de l'apprentissage automatique dans la biosensing. Ce cadre a des implications transformantes pour les diagnostics biomédicaux et la recherche en neurosciences, car il ouvre la voie à une profilage des biomolécules sans probe et sans étiquette. L'étude met en avant l'importance de la Séries de Dégénérescence Temporelle de Fluorescence Auto-Éclairante Plasmónica (AFTDS) pour atteindre une haute précision de classification parmi des neurotransmetteurs de structure similaire. De plus, la supériorité de LSTM par rapport à KNN et RF dans l'analyse des données de fluorescence dépendantes du temps est démontrée. En conclusion, l'approche proposée offre une solution prometteuse pour la détection et l'identification des neurotransmetteurs avec une haute sensibilité et spécificité. L'intégration des nanomatériaux plasmoniques et de l'apprentissage automatique fournit un outil puissant pour avancer dans les technologies de biosensing et a le potentiel de révolutionner les diagnostics biomédicaux et la recherche en neurosciences.