Детектирование глюкозы с помощью ГКР-подложек и машинного обучения

Обложка

Цитировать

Полный текст

Аннотация

Оптические методы определения концентрации глюкозы в растворах являются предметом повышенного интереса благодаря их потенциальной экономичности, портативности и низкой инвазивности. Непосредственное обнаружение глюкозы с использованием гигантского комбинационного рассеяния (ГКР) осложнено слабой адсорбцией глюкозы на металлических поверхностях и малым сечением её рассеяния. В настоящей работе реализована стратегия ферментативного определения концентрации глюкозы с помощью ГКР-подложек и машинного обучения, способная обеспечить высокую чувствительность. Были разработаны сенсоры на основе нетканого материала из поликапролактона и фильтровальной бумаги с восстановленными агрегатами серебряных наночастиц на поверхности. Для нетканого материала поликапролактона дополнительно проводилась процедура минерализации. Было определено оптимальное количество циклов (три) выращивания микрочастиц ватерита на поверхности. Увеличение количества циклов последовательной модификации поверхности поликапролактона микрочастицами ватерита позволяет получить более однородное заращивание, что наблюдалось на изображениях, даваемого сканирующим электронным микроскопом. Был произведен подбор оптимальных концентраций нитрaта серебра и гидрата аммиака, используемых для модификации поверхности подложек серебряными наночастицами: 5 моль/л для поликапролактона, 2 моль/л для фильтровальной бумаги. Для всех типов сенсоров обучались модели классификации на основе случайного леса. Наиболее точной моделью при определении глюкозы в концентрации 1 ммоль/л оказался образец поликапролактона с тремя последовательными модификациями ватеритом и с серебряными наночастицами, восстановленными из растворов нитрaта серебра и гидрата аммиака в концентрации 5 моль/л.

Об авторах

Виктория Александровна Бакал

Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского

ORCID iD: 0009-0008-6956-6762
410012, Россия, г. Саратов, ул. Астраханская, 83

Ольга Игоревна Гуслякова

Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского

ORCID iD: 0000-0001-8387-0711
SPIN-код: 2642-9014
Scopus Author ID: 57202360091
ResearcherId: T-5616-2018
410012, Россия, г. Саратов, ул. Астраханская, 83

Екатерина Сергеевна Прихожденко

Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского

ORCID iD: 0000-0003-2700-168X
SPIN-код: 3258-1666
410012, Россия, г. Саратов, ул. Астраханская, 83

Список литературы

  1. Shafer-Peltier K. E., Haynes C. L., Glucksberg M. R., Van Duyne R. P. Toward a glucose biosensor based on surface-enhanced Raman scattering. J. Am. Chem. Soc., 2003, vol. 125, iss. 2, pp. 588–593. https://doi.org/10.1021/ja028255v
  2. Sun X. Glucose detection through surface-enhanced Raman spectroscopy: A review. Anal. Chim. Acta, 2022, vol. 1206, art. 339226. https://doi.org/10.1016/j.aca.2021.339226
  3. Yang D., Afroosheh S., Lee J. O., Cho H., Kumar S., Siddique R. H., Narasimhan V., Yoon Y. Z., Zayak A. T., Choo H. Glucose sensing using surface-enhanced Raman-mode constraining. Anal. Chem., 2018, vol. 90, iss. 24, pp. 14269–14278. https://doi.org/10.1021/acs.analchem.8b03420
  4. Quyen T. T. B., Su W. N., Chen K. J., Pan C. J., Rick J., Chang C. C., Hwang B. J. Au@SiO2 core/shell nanoparticle assemblage used for highly sensitive SERS-based determination of glucose and uric acid. J. Raman Spectrosc., 2013, vol. 44, iss. 12, pp. 1671–1677. https://doi.org/10.1002/jrs.4400
  5. Sun X., Stagon S., Huang H., Chen J., Lei Y. Functionalized aligned silver nanorod arrays for glucose sensing through surface enhanced Raman. RSC Adv., 2014, vol. 4, iss. 45, pp. 23382–23388. https://doi.org/10.1039/C4RA02423K
  6. Pham X., Shim S., Kim T., Hahm E., Kim H., Rho W., Jeong D., Lee Y., Jun B. Glucose detection using 4-mercaptophenyl boronic acid-incorporated silver nanoparticles-embedded silica-coated graphene oxide as a SERS substrate. BioChip J., 2017, vol. 11, pp. 46–56. https://doi.org/10.1007/s13206-016-1107-6
  7. Wallace G. Q., Tabatabaei M., Zuin M. S., Workentin M. S., Lagugné-Labarthet F. A nanoaggregate-on-mirror platform for molecular and biomolecular detection by surface-enhanced Raman spectroscopy. Anal. Bioanal. Chem., 2016, vol. 408, pp. 609–618. https://doi.org/10.1007/s00216-015-9142-z
  8. Guo W., Hu Y., Wei H. Enzymatically activated reduction-caged SERS reporters for versatile bioassays. Analyst, 2017, vol. 142, iss. 13, pp. 2322–2326. https://doi.org/10.1039/C7AN00552K
  9. Fu C., Jin S., Oh J., Xu S., Jung Y. M. Facile detection of glucose in human serum employing silver-ion-guided surface-enhanced Raman spectroscopy signal amplification. Analyst, 2017, vol. 142, iss. 16, pp. 2887–2891. https://doi.org/10.1039/C7AN00604G
  10. Ju J., Liu W., Perlaki C. M., Chen K., Feng C., Liu Q. Sustained and cost effective silver substrate for surface enhanced Raman Spectroscopy based biosensing. Sci. Rep., 2017, vol. 7, iss. 1, art. 6917. https://doi.org/10.1038/s41598-017-07186-9
  11. Kwon J. A., Jin C. M., Shin Y., Kim H. Y., Kim Y., Kang T., Choi I. Tunable plasmonic cavity for label-free detection of small molecules. ACS Appl. Mater. Interfaces, 2018, vol. 10, iss. 15, pp. 13226–13235. https://doi.org/10.1021/acsami.8b01550
  12. Yonzon C. R., Haynes C. L., Zhang X., Walsh J. T., Van Duyne R. P. A glucose biosensor based on surface-enhanced Raman scattering: Improved partition layer, temporal stability, reversibility, and resistance to serum protein interference. Anal. Chem., 2004, vol. 76, iss. 1, pp. 78–85. https://doi.org/10.1021/ac035134k
  13. Chen Q., Fu Y, Zhang W, Ye S, Zhang H, Xie F, Gong L, Wei Z, Jin H., Chen J. Highly sensitive detection of glucose: A quantitative approach employing nanorods assembled plasmonic substrate. Talanta, 2017, vol. 165, pp. 516–521. https://doi.org/10.1016/j.talanta.2016.12.076
  14. Hu S., Jiang Y., Wu Y., Guo X., Ying Y., Wen Y., Yang H. Enzyme-free tandem reaction strategy for surface-enhanced Raman scattering detection of glucose by using the composite of Au nanoparticles and Porphyrin-based metal – organic framework. ACS Appl. Mater. Interfaces, 2020, vol. 12, iss. 49, pp. 55324–55330. https://doi.org/10.1021/acsami.0c12988
  15. Heang S., Park I. K., Kim J. M., Lee J. H. In vitro and in vivo characteristics of PCL scaffolds with pore size gradient fabricated by a centrifugation method. Biomaterials, 2007, vol. 28, iss. 9, pp. 1664–1671. https://doi.org/10.1016/j.biomaterials.2006.11.024
  16. Abedalwafa M., Wang F., Wang L., Li C. Biodegradable poly-epsilon-caprolactone (PCL) for tissue engineering applications: A review. Rev. Adv. Mater. Sci., 2013, vol. 34, iss. 2, pp. 123–140.
  17. Mayorova O. A., Saveleva M. S., Bratashov D. N., Prikhozhdenko E. S. Combination of machine learning and Raman spectroscopy for determination of the complex of whey protein isolate with hyaluronic acid. Polymers, 2024, vol. 16, iss. 5, art. 666. https://doi.org/10.3390/polym16050666
  18. Lussier F., Thibault V., Charron B.,Wallace G. Q., Masson J. F. Deep learning and artificial intelligence methods for Raman and surface-enhanced Raman scattering. TrAC, 2020, vol. 124, art. 115796. https://doi.org/10.1016/j.trac.2019.115796
  19. Ralbovsky N. M., Lednev I. K. Towards development of a novel universal medical diagnostic method: Raman spectroscopy and machine learning. Chem. Soc. Rev., 2020, vol. 49, iss. 20, pp. 7428–7453. https://doi.org/10.1039/D0CS01019G
  20. Saveleva M. S., Ivanov A. N Chibrikova J. A., Abalymov A. A., Surmeneva M. A., Surmenev R. A., Parakhonskiy B. P., Lomova M. V., Skirtach A. G., Norkin I. A. Osteogenic capability of vaterite-coated nonwoven polycaprolactone scaffolds for in vivo bone tissue regeneration. Macromol. Biosci., 2021, vol. 21, iss. 12, art. 2100266. https://doi.org/10.1002/mabi.202100266
  21. Prikhozhdenko E. S., Atkin V. S., Parakhonskiy B. V., Rybkin I. A., Lapanje A., Sukhorukov G. B., Gorin D. A., Yashchenok A. M. New post-processing method of preparing nanofibrous SERS substrates with a high density of silver nanoparticles. RSC Adv., 2016, vol. 6, iss. 87, pp. 84505–84511. https://doi.org/10.1039/C6RA18636J
  22. Baker L. B., Wolfe A. S. Physiological mechanisms determining eccrine sweat composition. Eur. J. Appl. Physiol., 2020, vol. 120, iss. 4, pp. 719–752. https://doi.org/10.1007/s00421-020-04323-7

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».