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

Abstract

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 مولفه­های 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 91/96 درصد و میانگین درصد خطای مطلق 5090/5 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.