مدلسازی و بهینهسازی نانوبیوسنسور الیگونوکلئوتیدی با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم ژنتیک | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 15، دوره 51، شماره 1، بهار 1399، صفحه 171-181 اصل مقاله (1021.73 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2019.290631.665231 | ||
| نویسندگان | ||
| آیدین ایمانی1؛ سلیمان حسین پور* 2؛ علیرضا کیهانی3؛ مصطفی عظیم زاده4 | ||
| 1گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری، دانشگاه تهران | ||
| 2دانشیار گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری، دانشگاه تهران. | ||
| 3استاد گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری، دانشگاه تهران. | ||
| 4استادیار گروه علوم و فناوری های نوین پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید صدوقی یزد، یزد، ایران | ||
| چکیده | ||
| 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. | ||
| کلیدواژهها | ||
| نانوبیوسنسور؛ مدلسازی؛ شبکه عصبیمصنوعی؛ بهینهسازی؛ الگوریتم ژنتیک | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,388 تعداد دریافت فایل اصل مقاله: 640 |
||