近日，福州大学唐点平教授课题组开发了一种灵活、低成本的非酶汗液传感芯片，用于在运动条件下实时采集个人汗液中的生物信息，以促进帕金森病患者的个人健康监测和药物管理。基于g-C3N4的掺杂策略和表面活化策略表现出有效的葡萄糖氧化酶样活性和电化学活性。相关工作以“Artificial Neural Network-Assisted Wearable Flexible Sweat Patch for
Drug Management in Parkinson’s Patients Based on Vacancy Engineered Processing
of g‑C3N4”为题发表在国际著名期刊Analytical Chemistry上。要点1. 这种低成本、灵活、可穿戴的汗液传感器由一个用g-C3N4材料修饰的印刷屏幕电极和一个外部MSME元件组成。基于机器学习（ML）的多功能柔性汗液传感器，用于共同报告帕金森（PD）患者汗液中的多物质和左旋多巴给药线索。要点2. 通过实验和理论计算验证了基于元素掺杂和表面处理的2D-g-C3N4的有效催化性能和电活性。当测试汗液中的左旋多巴和葡萄糖时，基于g-C3N4的掺杂策略和表面活化策略表现出有效的葡萄糖氧化酶样活性和电化学活性。这可能归因于碱金属离子的掺杂促进了g-C3N4层之间的电子转移。要点3. 汗液中各种分析物的原始电信号、时间、pH值和日常活动被用作训练集，用于基于ML模型预测汗液中L-多巴的实时值，以促进PD患者的药理学管理。不同算法的ML方法，如线性回归（LR）、多重LR（MLR）、卷积神经网络（CNN）和人工神经网络（ANN），用于预测单独给药后汗液中L-多巴的趋势，并根据数据集的模型推断给出可能的下一次给药时间。在两个未暴露的人体试验对象中进行的左旋多巴模拟给药试验表明，基于已建立的神经网络的代谢模型，预测值和测试值具有高度一致性。开发的系统通过历史值的迭代和过去事件的记录，为医疗保健系统，特别是专业给药系统提供了可操作的价值。图1.（A，B）AKNa CN的TEM图像；（C）不同元素掺杂和表面处理的g-C3N4的XRD图谱；（D）AKNa CN的元素能谱分析模式；（E）不同元素掺杂和表面处理的g-C3N4的傅里叶变换红外光谱和（F）g-C3N4基复合纳米材料的XPS。图2.（A）用于运动期间监测的无线汗液感应系统的示意图。（B）传感芯片的主要构建块示意图。（C）汗感测平台工作电极的简单模型。（D）基于可批量制造的柔性PET基板的裸传感芯片的物理照片。（E）基于三个传感器的信号采集、转换和输出的无线传输组件的操作逻辑图。图3.在（A）pH＝5.29和（B）6.98时，从复合人工汗液中回收左旋多巴和葡萄糖的电流曲线。（C）左旋多巴传感器和（D）葡萄糖传感器在四个平行测量下的误差曲线。（E）基于多路传感器的定时电流生物分子响应曲线，其中葡萄糖传感器的光催化时间被选择性优化。（F）汗液感应芯片的抗干扰测试。（G）L-dopa传感器在不同极端条件下存储3周的电流信号变化条形图，其中误差条表示平行测试数据集的SD值。（H）通过连接到电化学工作站的通用测试机进行的实验，表征L-多巴传感芯片的弯曲稳定性。（I）汗液感应芯片和高效液相色谱金法回收的左旋多巴浓度的比较。图4.（A）基于ANN的人体模拟药物递送的模型处理示意图。（B）从三名健康测试人员的传感芯片获得的输入参数的探索性数据集。（C）基于ML模型的输入参数之间的相关性分析。（D）通过不同回归算法获得的R2值的比较。（E）不同学习模型的测试集与训练集的偏差（MSE和MAE）的比较结果。（F）历元数与损失函数之间的关系图。（G）通过引入不同的高斯噪声来评估模型的泛化程度，其中当高斯噪声为2时，表现出最佳的泛化能力。图5.（A）基于ANN的人体模拟药物递送的模型处理示意图。（B）从三名健康测试人员的传感芯片获得的输入参数的探索性数据集。（C）基于ML模型的输入参数之间的相关性分析。（D）通过不同回归算法获得的R2值的比较。（E）不同学习模型的测试集与训练集的偏差（MSE和MAE）的比较结果。（F）历元数与损失函数之间的关系图。（G）通过引入不同的高斯噪声来评估模型的泛化程度，其中当高斯噪声为2时，表现出最佳的泛化能力。Artificial Neural Network-Assisted Wearable
Flexible Sweat Patch for Drug Management in Parkinson’s Patients Based on
VacancyEngineered Processing of g‑C3N4
Zhichao
Yu, Dianping Tang*DOI: 10.1021/acs.analchem.2c04291
|
