用于基于血浆miR-155的乳腺癌检测的电化学生物传感器的人工神经网络建模与优化

这对早期癌症筛查为何重要

医生和研究人员一直在寻找能够在症状出现前很久就发现癌症的简便血液检测方法。血液中一个有前景的标志是名为miR-155的微小遗传片段，它与乳腺癌及若干免疫和炎症状况有关。构建能够可靠测量如此微弱信号的传感器很有挑战，通常需要在实验室中反复试验数月。该研究表明，将智能计算模型与电化学生物传感器相结合，可以使这一过程更快、更便宜且更有效，从而使实用的早期检测试验更进一步。

把一滴血变成预警信号

研究的核心是一种能够读取血浆中miR-155水平的电化学生物传感器。设备的关键在于一个经过多步精细处理的微小金电极。首先，将用于识别miR-155的短DNA链连接到金属表面；然后用一种小分子填充间隙，以防止杂质吸附。当加入患者样本时，若存在miR-155便会与这些DNA链结合，一种名为Oracet Blue的类染料分子会嵌入这些配对结构。最后，通过电学扫描测量传递的电荷量，产生的电流大小反映样本中miR-155的含量。

为何传统调优又慢又浪费

尽管基本的传感原理很直接，但传感器的性能高度依赖其构建方式。有六个关键步骤决定性能：探针DNA的浓度、其连接所需的时间、堵塞分子作用的时长、目标miRNA结合的时间，以及Oracet Blue的用量和孵育时间。在早期工作中，研究者通常一次调整一两个变量，进行新实验，然后逐步改进设计。这种方法消耗昂贵的材料，耗费大量研究人员时间，并且在底层行为高度非线性的情况下可能错过最佳组合——时间或浓度的微小变化就能使信号突然翻倍或减半。

让计算机学会最佳构建配方

为了打破这一瓶颈，作者转向机器学习，使用了两种建模方法：人工神经网络（ANN）和自适应神经模糊系统（ANFIS）。他们汇总了51种不同的传感器制备方案的数据，每种方案由六个关键步骤的不同组合定义，并记录相应的电流输出。ANN通过一个具有一层隐藏层和13个内部单元的紧凑网络学会将制备选择直接映射到传感器输出。ANFIS方法将模糊规则（如“低”或“高”水平）与类神经训练相结合，并采用一种统计手段减少输入间的重叠。经过细致的训练与测试，ANN被证明更准确且更易操控，比更依赖规则的模糊模型更好地捕捉了步骤之间的复杂相互作用。

用数字进化搜索设计空间

一旦ANN能够忠实模拟生物传感器，团队便将其与遗传算法相连——这是一种受进化启发的搜索方法。该数字优化器从许多随机的制备配方开始，不断“交配”和变异它们，保留那些ANN预测将产生更强信号的配方。在这个虚拟环境中无需新的实验室工作：计算机可以在硅上探索无数可能性。获胜的配方很引人注目。与研究者在实验台上实际测试过的最佳条件相比，优化组合总体上使用更少的DNA探针和更少的Oracet Blue，缩短了若干孵育步骤，但预测能够将传感器的输出电流从98纳安培提高到223纳安培——使信号更强且更容易与背景噪声区分。

这对未来血液检测的意义

对非专业读者而言，关键信息是：作者已将生物传感器的调优从凭经验的试探变为由数据驱动的指导性过程。通过让神经网络学习制备步骤如何影响最终的电学信号，然后用进化算法搜索最佳配方，他们找到了应能提供更亮、更可靠miR-155读数且减少时间和材料浪费的条件。尽管这些优化设置仍需全面的实验验证且该研究集中于单一类型的乳腺癌标志物，但同样的策略可应用于许多其他生物传感器。长期来看，这种智能化设计可能有助于将快速、廉价的早期癌症及其他疾病血液检测推广到常规临床使用。

引用: Imani, A., Hosseinpour, S., Azimzadeh, M. et al. Artificial neural network modeling and optimization of an electrochemical biosensor for plasma miR-155-based breast cancer detection. Sci Rep 16, 7893 (2026). https://doi.org/10.1038/s41598-026-36466-6

关键词: 乳腺癌生物传感器, 微小RNA-155检测, 电化学传感器, 人工神经网络, 遗传算法优化