مدل‌سازی و بهینه‌سازی نانوبیوسنسور الیگونوکلئوتیدی با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک

توسعه هر نوع بیوسنسور با چالش‌هایی در زمینه بهینه‌سازی پارامترها و کالیبراسیون مواجه است. در این تحقیق رویکردی مبتنی بر یادگیری ماشین برای مدل‌سازی و بهینه‌سازی مولفه های تاثیرگذار در ساخت نانوبیوسنسور الکتروشیمیایی بر اساس الکترود کربن شیشه‌ای اصلاح شده با گرافن اکسید و نانومیله طلا در شرایط کاری آزمایشگاهی ارائه شده است. پاسخ نانوبیوسنسور به عنوان خروجی و تاثیر هشت عامل موثر شامل: غلظت گرافن اکسید، غلظت نانو میله‌های طلا، غلظت پروب تک‌رشته‌ای، مدت زمان ماند پروب تک‌رشته‌ای بر روی الکترود اصلاح شده، مدت زمان ماند mch بر روی الکترود اصلاح شده، مدت زمان هیبریداسیون پروب و الیگونوکلئوتید هدف، غلظت محلول شناساگر اوراست‌بلو، مدت زمان ماند اوراست‌بلو، به عنوان ورودی‌های مدل شبکه عصبی برای آموزش و توسعه مدل مورد استفاده قرار گرفتند. نتایج بدست آمده نشان داد که خروجی مدل همخوانی قابل قبولی با نتایج آزمایشگاهی داشته و مدل می‌تواند پاسخ نانوبیوسنسور را با دقت 96.91 درصد و میانگین درصد خطای مطلق 5.5090 درصد پیش‌بینی کند. در پایان با استفاده از الگوریتم ژنتیک مقادیر بهینه متغیرهای ورودی برای دستیابی به حداکثر جریان پاسخ نانوبیوسنسور، محاسبه گردید. نتایج بهینه‌سازی نشان داد که این روش عملکرد مناسبی در مقایسه با نتایج آزمایشگاهی دارد و می‌تواند برای ساخت و طراحی نانوبیوسنسور مورد استفاده قرار بگیرد.

Modeling and Optimization of OligonucleotideBased Nanobiosensor Using Artificial Neural Network and Genetic Algorithm Based Procedure

Developing a biosensor faces the different challenges for parameter optimization and calibration. In this study, a machine learning based approach is used to model and optimize the effective parameters of an electrochemical nanobiosensor based on thiolated probefunctionalized gold nanorods (GNRs) decorated on the graphene oxide (GO) sheet on the surface of a glassy carbon electrode (GCE). The response of the biosensor was considered as the output and eight effective factors including GO concentration, GNR concentration, probe concentration, probe time, MCH time, hybridization time, Oracet Blue (OB) concentration, and OB incubation time were used as inputs to train and model an artificial neural network. The experimental results demonstrate that the output of the developed model has an acceptable compatibility with the results obtained in the laboratory. The developed model is able to predict the output of the nanobiosensor with accuracy of 96.91% and the mean absolute percentage error (MAPE) value of 5.5090 %. Finally, genetic algorithm is used to find the optimum values of these parameters which yield the maximum value of the nanobiosensor output. The optimization results indicated that this method has better performance compared to the laboratory results and this method can be used for nanobiosensor design.