شماره ركورد
26127
شماره راهنما
BIOTECH3 45
عنوان
پيشبيني رفتار نانوزيستحسگر آنزيمي سنجش يونهاي فلزات سنگين به كمك هوش مصنوعي
مقطع تحصيلي
دكتري
رشته تحصيلي
ريززيست فناوري (نانو بيوتكنولوژي)
دانشكده
علوم و فناوري هاي نوين
تاريخ دفاع
1405/3/27
صفحه شمار
197ص.
استاد راهنما
اصغر طاهري كفراني
كليدواژه فارسي
نانوززيستحسگر , فلزات سنگين , هوش مصنوعي , يادگيري ماشين
چكيده فارسي
آلودگي فلزات سنگين يكي از مهمترين چالشهاي زيستمحيطي است كه توسعه زيستحسگرهاي سريع، حساس و مقرونبهصرفه را ضروري ساخته است. اگرچه زيستحسگرهاي مبتني بر آنزيم، DNAzyme و آپتامر از عملكرد تحليلي بسيار مطلوبي برخوردار هستند، ساخت آنها همچنان فرايندي زمانبر، پرزحمت و پرهزينه است. در اين پژوهش، يك چارچوب مبتني بر يادگيري ماشين براي پيشبيني عملكرد زيستحسگرها پيش از ساخت، با استفاده از مجموعهدادهاي شامل 400 زيستحسگر فلزات سنگين توسعه داده شد. بهمنظور پيشبيني سه پارامتر كليدي شامل حد تشخيص (LOD)، حداقل غلظت قابل تشخيص آناليت (MADC) و حداكثر غلظت قابل تشخيص آناليتدر محدوده خطي پاسخ (MIDC)، پنج الگوريتم يادگيري ماشين شامل درخت تصميم (DT)، جنگل تصادفي (RF)، تقويت گرادياني (GB)، شبكه عصبي مصنوعي تجميعي (ENN) و مدل خطي تعميميافته آميخته (GLMM) مورد ارزيابي قرار گرفتند. نتايج نشان داد كه الگوريتم جنگل تصادفي با دقت طبقهبندي 71 درصد، بهترين عملكرد را در پيشبيني LOD ارائه داد، در حالي كه الگوريتم درخت تصميم با دقتهاي 79 درصد و 63 درصد، بهترتيب بهترين نتايج را براي پيشبيني MIDC و MADC به دست آورد. همچنين، مدل شبكه عصبي مصنوعي تجميعي عملكرد پيشبيني قابل قبولي از خود نشان داد و در مرحله اعتبارسنجي، مقادير صحت برابر با 842/0، 649/0 و 701/1 و مقادير F1-score برابر با 683/0، 698/0 و 651/0 را بهترتيب براي حد تفكيك، MIDC و MADC به دست آورد. تحليل اهميت ويژگيها نشان داد كه عامل تشخيص مهمترين متغير مؤثر بر عملكرد زيستحسگرها است. نتايج اعتبارسنجي آزمايشگاهي نيز تطابق مناسبي بين مقادير پيشبينيشده و مقادير اندازهگيريشده را تأييد كرد. علاوه بر اين، يك رابط كاربري گرافيكي (GUI) مبتني بر نرمافزار متلب توسعه يافت كه امكان پيشبيني سريع عملكرد زيستحسگرها را در مراحل اوليه طراحي فراهم ميكند. چارچوب پيشنهادي، راهكاري كارآمد و مقرونبهصرفه براي تسريع طراحي و بهينهسازي زيستحسگرهاي تشخيص فلزات سنگين و كاهش نياز به آزمايشهاي پرهزينه و زمانبر ارائه ميدهد.
كليدواژه لاتين
Nano biosensor , Heavy Metals , Artificial Intelligence , Machine Learning
عنوان لاتين
Prediction behavior of enzymatic nano biosensor for heavy metal ion sensing using artificial intelligence
گروه آموزشي
زيست فناوري
چكيده لاتين
Heavy metal pollution is a major environmental challenge, necessitating the development of rapid, sensitive, and cost-effective biosensors. Although enzyme-, DNAzyme-, and aptamer-based biosensors exhibit excellent analytical performance, their fabrication is labor-intensive and time-consuming. In this study, a machine learning-assisted framework was developed to predict biosensor performance before fabrication using a dataset of 400 heavy metal biosensors. Five machine learning algorithms, including Decision Tree (DT), Random Forest (RF), Gradient Boosting (GB), Ensemble Neural Network (ENN), and Generalized Linear Mixed Model (GLMM), were evaluated to predict the limit of detection (LOD), minimum analyte detection concentration (MADC), and maximum analyte detection concentration (MIDC). Random Forest achieved the highest classification accuracy for LOD (71%), whereas Decision Tree showed superior performance for MIDC (79%) and MADC (63%). The ensemble neural network further demonstrated satisfactory predictive capability, achieving validation precision values of 0.842, 0.649, and 0.701 and F1-scores of 0.683, 0.698, and 0.651 for LOD, MIDC, and MADC, respectively. Feature importance analysis identified the detection method as the most influential factor affecting biosensor performance. Experimental validation confirmed good agreement between predicted and measured biosensor parameters. A MATLAB-based graphical user interface (GUI) was also developed to facilitate rapid prediction of biosensor performance during the early design stage, providing an efficient and cost-effective strategy for accelerating heavy metal biosensor development.
تعداد فصل ها
4
استاد راهنماي خارج از دانشگاه
امير رزمجو
استاد مشاور خارج از دانشگاه
محسن اسدنيا، فاطمه اژئيان
فهرست مطالب pdf
167829
نويسنده