DOI: https://doi.org/10.1038/s41598-026-36466-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41663506
تاريخ النشر: 2026-02-09
المؤلف: Aydin Imani وآخرون
الموضوع الرئيسي: تقنيات الاستشعار الحيوي والتحليل الحيوي المتقدمة
نظرة عامة
تبحث الدراسة في استخدام الشبكات العصبية الاصطناعية (ANN) وأنظمة الاستدلال العصبي الضبابي التكيفية (ANFIS) لتحسين معلمات تصنيع جهاز استشعار كهربائي يهدف إلى الكشف عن البلازما الميكرو RNA-155 (miR-155)، وهو علامة حيوية مهمة في السرطان والأمراض الالتهابية. غالبًا ما تكون طرق تطوير أجهزة الاستشعار التقليدية غير فعالة بسبب اعتمادها على أساليب التجربة والخطأ. تقدم هذه الدراسة إطارًا قائمًا على البيانات يقوم بنمذجة العلاقات غير الخطية بين معلمات التصنيع ونتائج جهاز الاستشعار، باستخدام مجموعة بيانات تتكون من ستة معلمات رئيسية والتيار الناتج المقابل لجهاز الاستشعار. أظهر نموذج ANN دقة تنبؤية متفوقة، حيث حقق قيمة $R^2$ تبلغ 0.9845، مقارنةً بـ ANFIS، وحدد ظروف التصنيع المثلى التي أدت إلى تيار ناتج قدره 223 نانو أمبير.
تؤكد النتائج على إمكانية إطار ANN-GA لتبسيط تطوير أجهزة الاستشعار من خلال تقليل التجارب والمواد المستخدمة، مما يسهل تحسين المعلمات بسرعة. بينما تقدم الدراسة نتائج واعدة، فإنها تعترف بالقيود، بما في ذلك التركيز على منصة جهاز استشعار واحدة ومجموعة بيانات صغيرة نسبيًا تتكون من 51 حالة، مما قد يحد من قابلية تعميم النماذج. يجب أن تهدف الأبحاث المستقبلية إلى توسيع مجموعة البيانات، والتحقق تجريبيًا من المعلمات المحسنة بواسطة GA، واستكشاف تطبيق الإطار على أنواع مختلفة من أجهزة الاستشعار وطرق التحويل. يمكن أن يعزز دمج تحليل عدم اليقين في النموذج وتحسين التكلفة من التطبيق العملي لتعلم الآلة في تصميم أجهزة الاستشعار.
طرق
يحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية الخطوات المتخذة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. بشكل عام، يعمل هذا القسم كدليل شامل لتكرار الدراسة وفهم سياق النتائج التي تم الحصول عليها.
مناقشة
في هذه الدراسة، تم تطوير جهاز استشعار كهربائي للكشف عن علامة miR-155 الحيوية المرتبطة بسرطان الثدي في مراحله المبكرة، باستخدام مسبار التقاط DNA ميثيلي على قطب كهربائي من الذهب. تأثرت أداء جهاز الاستشعار بستة معلمات تصنيع رئيسية: تركيز المسبار، ووقت المسبار، ووقت MCH، ووقت التهجين، وتركيز OB، ووقت OB. تم اختبار ما مجموعه 51 حالة تصنيع متميزة تحت ظروف محكومة لضمان إمكانية التكرار. تم تطبيع البيانات التي تم جمعها واستخدامها لتدريب نماذج تعلم الآلة، وتحديدًا الشبكات العصبية الاصطناعية (ANN) وأنظمة الاستدلال العصبي الضبابي التكيفية (ANFIS)، للتنبؤ بالتيار الناتج لجهاز الاستشعار بناءً على هذه المعلمات.
استخدم نموذج ANN بنية متعددة الطبقات مع طبقة مخفية تحتوي على 13 خلية عصبية، تم تدريبها باستخدام خوارزمية ليفنبرغ-ماركاردت. أظهر النموذج قدرات تنبؤية قوية، كما يتضح من انخفاض نسبة الخطأ المطلق المتوسط (MAPE) وارتفاع معامل التحديد ($R^2$) عبر مجموعات بيانات التدريب والتحقق والاختبار. بالمقابل، دمج نموذج ANFIS المنطق الضبابي مع قدرات الشبكة العصبية، مستخدمًا تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد وتعزيز أداء النموذج. تم تقييم كلا النموذجين من حيث فعاليتهما في التنبؤ بالتيار الناتج لجهاز الاستشعار، مع إجراء تحسين باستخدام خوارزمية جينية لتحديد القيم المثلى للمتغيرات المستقلة لزيادة التيار الناتج. تشير النتائج إلى أن كلا النهجين في النمذجة قد نجحا في التقاط السلوك الفيزيائي الأساسي لجهاز الاستشعار، حيث قدم نموذج ANN تقديرًا أكثر دقة للبيانات التجريبية.
DOI: https://doi.org/10.1038/s41598-026-36466-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41663506
Publication Date: 2026-02-09
Author(s): Aydin Imani et al.
Primary Topic: Advanced biosensing and bioanalysis techniques
Overview
The research investigates the use of artificial neural networks (ANN) and adaptive neuro-fuzzy inference systems (ANFIS) for optimizing the fabrication parameters of a voltammetric biosensor aimed at detecting plasma microRNA-155 (miR-155), a significant biomarker in cancer and inflammatory diseases. Traditional biosensor development methods are often inefficient due to their reliance on trial-and-error approaches. This study introduces a data-driven framework that models the nonlinear relationships between fabrication parameters and biosensor output, utilizing a dataset comprising six key parameters and the corresponding biosensor output current. The ANN model demonstrated superior predictive accuracy, achieving an $R^2$ value of 0.9845, compared to ANFIS, and identified optimal fabrication conditions that resulted in an output current of 223 nA.
The findings underscore the potential of the ANN-GA framework to streamline biosensor development by minimizing experimental iterations and material use, thereby facilitating rapid parameter optimization. While the study presents promising results, it acknowledges limitations, including the focus on a single biosensor platform and a relatively small dataset of 51 conditions, which may restrict the generalizability of the models. Future research should aim to expand the dataset, validate the GA-optimized parameters experimentally, and explore the application of the framework to various biosensor types and transduction methods. Incorporating model uncertainty analysis and cost-constrained optimization could further enhance the practical applicability of machine learning in biosensor design.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the steps taken to collect data, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. Overall, this section serves as a comprehensive guide for replicating the study and understanding the context of the results obtained.
Discussion
In this study, a voltammetric biosensor was developed to detect the miR-155 biomarker associated with early-stage breast cancer, utilizing a thiolated DNA capture probe on a gold electrode. The biosensor’s performance was influenced by six key fabrication parameters: probe concentration, probe time, MCH time, hybridization time, OB concentration, and OB time. A total of 51 distinct fabrication conditions were tested under controlled conditions to ensure reproducibility. The data collected were normalized and used to train machine learning models, specifically Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy Inference Systems (ANFIS), to predict the biosensor’s output current based on these parameters.
The ANN model employed a multi-layer perceptron architecture with a hidden layer of 13 neurons, trained using the Levenberg-Marquardt algorithm. The model demonstrated strong predictive capabilities, as indicated by the low mean absolute percentage error (MAPE) and high coefficient of determination ($R^2$) values across training, validation, and test datasets. In contrast, the ANFIS model integrated fuzzy logic with neural network capabilities, utilizing principal component analysis (PCA) to reduce dimensionality and enhance model performance. Both models were evaluated for their effectiveness in predicting the biosensor’s output, with optimization performed using a genetic algorithm to identify the optimal values of the independent variables for maximizing output current. The results indicate that both modeling approaches successfully captured the underlying physical behavior of the biosensor, with the ANN model providing a more accurate estimate of the experimental data.