ISEP - DM – Engenharia Biomédica
Permanent URI for this collection
Browse
Browsing ISEP - DM – Engenharia Biomédica by Author "Abreu, António Gabriel Valente da Silva"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Integração de machine learning em biossensores: um estudo sobre a previsão de glucose e curvas de calibraçãoPublication . Abreu, António Gabriel Valente da Silva; Pereira, Felismina Teixeira CoelhoA diabetes é uma das principais causas de mortalidade e redução da expectativa de vida [1]. Os biossensores são uma tecnologia promissora para o diagnóstico de diabetes, oferecendo uma deteção rápida e precisa dos níveis de glucose no sangue. Nesta dissertação, foram desenvolvidos biossensores de glucose (Glu) de primeira geração utilizando elétrodos descartáveis de platina impressos por serigrafia (Pt-SPEs, do inglês, Platinum Screen-Printed Electrodes). Inicialmente, os Pt-SPEs foram modificados com biografeno (BGr), um nanomaterial biocompatível, aplicado na superfície do elétrodo de trabalho. Em seguida, a enzima glucose oxidase (GOx) foi imobilizada na superfície do elétrodo modificado. Duas metodologias distintas foram estudadas: a adsorção química e o encapsulamento da enzima por eletropolimerização da dopamina na superfície do elétrodo. A influência do número de camadas de BGr e de GOx no desempenho analítico do biossensor foi avaliada. Para cada um dos métodos, foi realizada a caracterização eletroquímica por voltametria cíclica (CV, do inglês, Cyclic voltammetry) e a caracterização morfológica dos elétrodos por microscopia eletrónica de varrimento (SEM, do inglês, Scanning electronic microscopy) e microscopia eletrónica de transmissão (TEM, do inglês, Transmission electron microscopy). O desempenho dos biossensores foi avaliado através da construção das respetivas retas de calibração em tampão fosfato salino (PBS, do inglês: Phosphate buffered saline) e soro Cormay (SC), além de testes de seletividade competitiva. Os dados foram obtidos pela técnica de cronoamperometria (CA) em dois tempos distintos, 60 e 120 segundos, respetivamente. Com os dados obtidos durante a construção e calibração dos biossensores em SC, foram testados vários algoritmos de Machine Learning (ML) para regressão não linear, visando obter um modelo capaz de prever com precisão a concentração de glucose e os parâmetros da reta de calibração de um biossensor de glucose. Para cada variável de saída estudada, foram treinados diversos algoritmos com todas as combinações possíveis de dados de entrada, selecionando-se o modelo que melhor descreveu os dados fora do conjunto de treino. O biossensor com melhor desempenho analítico, em termos de gama de linearidade, limite de deteção (LD) e seletividade, foi aquele que utilizou uma camada de BGr e imobilização de uma camada de enzima pela metodologia de encapsulamento, considerando os resultados para 60 segundos. A gama de linearidade da calibração realizada em SC diluído variou entre 0,75 mM e 40 mM, apresentando uma correlação de 0,988 e um LD de 0,078 mM. Entre os vários algoritmos testados, determinou-se que o algoritmo de Decision Tree é capaz de prever a ordenada da origem de uma reta de calibração com um coeficiente de determinação de 0,956. Para além disso, foram construídos modelos Random Forest capazes de prever o valor do declive e limite superior de uma reta de calibração com coeficientes de determinação de 0,812 e 0,900 e ainda provou ser promissor na previsão de concentração de glucose com um coeficiente de determinação de 0,738.