Quantitative detection of a1-acid glycoprotein (AGP) level in blood plasma using SERS and CNN transfer learning approach (Запись № 668625)

Подробно MARC
000 -Маркер
Поле контроля фиксированной длины 03594nlm1a2200481 4500
005 - Идентификатор версии
Поле контроля фиксированной длины 20231030042154.0
035 ## - Другие системные номера
Идентификатор записи (RuTPU)RU\TPU\network\39862
035 ## - Другие системные номера
Идентификатор записи RU\TPU\network\38737
100 ## - Данные общей обработки
Данные общей обработки 20230112a2022 k y0engy50 ba
101 1# - Язык ресурса
Язык текста, звукозаписи и т.д. английский
102 ## - Страна публикации или производства
Страна публикации
135 ## - Поле кодированных данных: электронные ресурсы
Кодированные данные для электронного ресурса arcn ---uucaa
181 #0 - Поле кодированных данных: вид содержания
Код вида содержания i
182 #0 - Поле кодированных данных: средство доступа
Код средства доступа electronic
200 1# - Заглавие и сведения об ответственности
Основное заглавие Quantitative detection of a1-acid glycoprotein (AGP) level in blood plasma using SERS and CNN transfer learning approach
Первые сведения об ответственности M. Erzina, A. Trelin, O. A. Guselnikova [et al.]
203 ## - Вид содержания и средство доступа
Вид содержания
Средство доступа
300 ## - Общие примечания
Текст примечания Title screen
320 ## - Примечания о наличии в ресурсе библиографии/указателя
Текст примечания [References: 48 tit.]
330 ## - Резюме или реферат
Текст примечания Surface-enhanced Raman spectroscopy (SERS) is a highly sensitive tool in medical diagnostics and bioanalysis fields, aimed at the qualitative detection of relevant biomolecules. However, quantitative SERS analysis of complex (bio)samples is a more challenging and, in many cases, almost impossible task, requiring functional SERS substrates or advanced spectral data analysis. In this work, we propose the combination of a functional SERS substrate, capable of trapping target biomolecules, with CNN transfer learning for quantitative detection of the relevant a1-acid glycoprotein (AGP, also known as orosomucoid) in human serum. As a SERS substrate, the plasmonic gold grating was functionalized with boronic acid moieties to entrap target AGP. The functionality of the substrate was tested on two model solutions: a solution containing saccharides as competing molecules and human serum with added AGP, which is close to real samples. The convolution neural network (CNN) was previously trained on a huge number of (bio)samples. Then CNN transfer learning was used to quantify AGP concentration in model samples, as well as in human serum. Developed strategy is able to identify the alarming increase of AGP concentration in an express and medically decentralized way, on short time and under lack of spectral data. Generally, the proposed combination of SERS and machine transfer learning could be expanded to a range of alternative cases, where the collection of real samples is restricted and can be substituted by the measurements of similar model systems, without loss of analysis reliability.
338 ## - Примечание, относящееся к информации о финансировании
Финансирующая организация Российский научный фонд
Номер проекта 19-73-00238
461 ## - Уровень набора
Заглавие Sensors and Actuators B: Chemical
463 ## - Уровень физической единицы
Заглавие Vol. 367
Обозначение тома [132057, 8 p.]
Дата публикации 2022
610 1# - Неконтролируемые предметные термины
Предметный термин труды учёных ТПУ
610 1# - Неконтролируемые предметные термины
Предметный термин электронный ресурс
610 1# - Неконтролируемые предметные термины
Предметный термин SERS
610 1# - Неконтролируемые предметные термины
Предметный термин functional surface
610 1# - Неконтролируемые предметные термины
Предметный термин biomolecules entrapping
610 1# - Неконтролируемые предметные термины
Предметный термин a1-acid glycoprotein
610 1# - Неконтролируемые предметные термины
Предметный термин serum
610 1# - Неконтролируемые предметные термины
Предметный термин CNN transfer learning
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Erzina
Часть имени, кроме начального элемента ввода M.
Расширение инициалов личного имени Mariia
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Trelin
Часть имени, кроме начального элемента ввода A.
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Guselnikova
Часть имени, кроме начального элемента ввода O. A.
Дополнения к именам, кроме дат chemist
-- engineer of Tomsk Polytechnic University
Даты 1992-
Расширение инициалов личного имени Olga Andreevna
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\34478
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Skvortsova
Часть имени, кроме начального элемента ввода A.
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Strnadova
Часть имени, кроме начального элемента ввода K.
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Svorcik
Часть имени, кроме начального элемента ввода V.
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Lyutakov
Часть имени, кроме начального элемента ввода O.
Дополнения к именам, кроме дат chemist-technologist
-- Associate Scientist of Tomsk Polytechnic University
Даты 1982-
Расширение инициалов личного имени Oleksy
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\36875
712 02 - Наименование организации – вторичная ответственность
Начальный элемент ввода Национальный исследовательский Томский политехнический университет
Структурное подразделение Исследовательская школа химических и биомедицинских технологий
Идентифицирующий признак (2017- )
-- 8120
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\col\23537
801 #2 - Источник записи
Страна RU
Организация 63413507
Дата составления 20230112
Правила каталогизации RCR
856 4# - Местонахождение электронных ресурсов и доступ к ним
Универсальный идентификатор ресурса https://doi.org/10.1016/j.snb.2022.132057
090 ## - System Control Numbers (Koha)
Koha biblioitem number (autogenerated) 668625
942 ## - Добавленные элементы ввода (Коха)
Тип документа Computer Files

Нет доступных единиц.