Содержание к диссертации
Введение
ОБЗОР ЛИТЕРАТУРЫ 8
Современная концепция биосенсоров 8
Методы обработки данных 11
Применение химических сенсоров для анализа многокомпонентных смесей 21
Применение биосенсоров для анализа многокомпонентных смесей 21
МЕТОДИКА.. 21
Экспериментальная установка 21
Штаммы микроорганизмов.. 21
Алгоритм определения концентрации компонентов смеси 21
Определение концентрации компонентов смеси при помощи искусственных
нейронных сетей 21
РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
Предварительные исследования
1. Анализ смеси "глюкоза - этанол" при помощи микробного и ферментного сенсоров
2. Анализ смеси "глюкоза - этанол" двумя микробными сенсорами. 21
3. Анализ смеси "глюкоза - ксилоза" двумя микробными сенсорами 21
4. Идентификация образцов, содержащих глюкозу, ксилозу и этанол при помощи трох микробных сенсоров. 21
5. Математическое описание калибровочных кривых 21
ЗАКЛЮЧЕНИЕ 21
ВЫВОДЫ 21
СПИСОК ЛИТЕРАТУРЫ 21
class1 ОБЗОР ЛИТЕРАТУРЫ class1 8
Современная концепция биосенсоров
Биосенсоры появились в начале 1960-х годов, в основном их разработка стимулировалась потребностями медицины. Первые биосенсоры, использованные в П)Эомышленности, были предназначены для здравоохранения и позволяли определять концентрацию метаболитов в организме человека (глюкозы, лактозы, пирувата, билирубина, аминокислот и др.) [Sandifer, 1999]. Биосенсоры находят широкое применение в медицине, биотехнологии и экологическом мониторинге. Это обусловлено высокой селективностью биологического материала, а также возможностью создания сенсоров практически на любой биологический субстрат [Тернер, 1992]. Формулировки основных понятий можно найти в обзоре [Thevenot, 2001], где дано определение биосенсора, а также представлена классификация биосенсоров по типу используемого преобразователя, типу биологического материала, используемого при создании рецепторного элемента, типу и функции мембран и т.п. Кроме того, в работе даны определения важнейших параметров калибровочной зависимости (таких, как чувствительность, операционный и линейный диапазоны концентраций, предел детекции и предел количественного определения вещества), селективность, воспроизводимость, стабильность, время ответа сенсора и продолжительность функционирования. Функционально биосенсор представляет собой устройство, состоящее из двух частей - рецепторного элемента (биологически активный материал в иммобилизованном состоянии) и физического преобразователя, который служит для превращения биохимического сигнала в электрический [Karube, 1990]. Амплитуда сигнала при этом зависит от концентрации анализируемого вещества в измеряемом образце. Биологически активные материалы, используемые в биосенсорных системах, можно разделить на две группы: каталитические (ферменты, клетки и ткани) и некаталитические (антитела, антигены). В зависимости от типа используемого биоматериала различают ферментные, микробные и иммуносенсоры. Известны биосенсоры на основе тканевых культур, ДНК, органоидов и др. Наиболее распространены ферментные сенсоры, использующие фирмент, иммобилизованный на преобразователе и обеспечивающие точную и высокоспецифичную детекцию субстратов, ингибиторов, кофакторов и определение ферментативных активностей [Hendry, 1990; Dzyadevich, 1999] К настоящему времени описано большое количество биосенсоров для детекции различных органических соединений, ионов неорганических кислот, а также параметров состояния окружающей ерзды (БПК, мутагенность) [Riedel, 1989; Корпан, 1995]. Для регистрации сигнала биосенсора используются электрохимические (амперо-, потенцио- и ко здуктометрические), оптические, калориметрические и акустические преобразователи. Обзор основных принципов преобразователей, в частности, электрохимических, оптических и пьезоэлектрических, можно найти в работах [Marco, 1996].
Микробные сенсоры
Микробные сенсоры представляют собой сенсоры, в которых в качестве рецепторного элемента используются клетки микроорганизмов [Karube, 1990]. Автор обзора [Racek, 1995] указывает следующие преимущества биосенсоров на основе целых клеток по сравнению с ферментными биосенсорами:
При использовании микробных сенсоров отпадает необходимость в трудоемких процессах выделения, очистки и иммобилизации ферментов.
Некоторые ферменты могут терять свою активность вследствие повреждения активного центра или дезинтеграции ферментных комплексов во время процедур выделения или иммобилизации; подобных проблем можно избежать, используя в рецепторном элементе целые клетки.
Ферменты внутри клетки функционируют в естественном окружении, поэтому обычно обладают высокой стабильностью.
Экспериментальная установка
ИНС наиболее эффективны для решения неформализуемых и плохо формализуемых зацач, связанных с необходимостью включения в алгоритм решения задачи процесса оС учения на реальном экспериментальном материале. Действие нейронной сети определяется не только свойствами нейронов и весами связей между ними, но и топологией сети, т.е. взаимным расположением нейронов. Разработка алгоритма обучения, называемого правилом обратного распространения ошибок (back propagation) [McClelland, 1988], сделала наиболее популярными многослойные сети с прямыми СБОЯМИ (feed forward networks). В подобной сети нейроны группируются в слои, причем входными сигналами нейронов какого-либо слоя служат выходы нейронов предыдущего слэя. Данный алгоритм является итерационным градиентным алгоритмом минимизации среднеквадратичного отклонения текущего выхода от желаемого выхода многослойных нейронных сетей.
Часто нейронные сети используются в качестве так называемых предикторов. Предиктор работает как система, самостоятельно находящая функцию зависимости ответа от нескольких обучаемых параметров: Y=f(xi, х2,...,хп). После обучения, при тестировании конкретного примера, предиктор вычисляет Y в зависимости от подставленных значений xi,X2,...,xn. Одним из вариантов практического применения ИНС является их использование для моделирования ответов биосенсоров. Данные о применении нейронных сетей для описания динамического поведения потенциометрических биосенсоров в проточно-инъекционной системе приведены в [Gracia, 1996]. Аналитический сигнал биосенсора является результатом множества сложных явлений. К реакциям, имеющим место в биосенсоре, добавляются реакции, протекающие в проточно-инъекционной системе. Если добиться построения надежной модели этих процессов, то будет возможно быстро определять с помощью компьютера результат воздействия изменения различных переменных на ответ биосенсора.
Перспективным является использование нейронных сетей для многокомпонентного аіализа. Хорошие результаты получены при анализе сигналов от группы электродов, состоящей из натрий-, кальций-, нитрат-, хлорид- и рН- электродов [Linden, 1989]. Примеры использования нейронных сетей в многокомпонентном анализе можно найти в [Власов, 1997; Hanaki, 1996; Ping, 1996; Gopel, 1998; Ziegler, 1998].
: Использование умеренно- и низкоселективных электродов в сочетании с методами хемометрии может давать в многокомпонентном анализе результаты, превосходящие полученные при использовании высокоселективных электродов. Это обусловлено тем, что для математических процедур стабильность и воспроизводимость показаний сенсоров более важны, чем селективность. В качестве альтернативного подхода к вычислению неизвестных концентраций многокомпонентных образцов были использована нейронная сеть с обратным распространением ошибок. Для смесей с концентрациями приблизительно 10"4 М отклонения рассчитанных с помощью ИНС значений от экспериментальных составили не более 5-10%.
В работе [Blanco, 1999] при помощи ферментного спектрофотометрического метода с использованием искусственных нейронных сетей для построения многомерной калибровки был проведен анализ двухкомпонентной смеси "этанол - метанол". Химическая система включала в себя две сопряженные реакции, а именно окисление первоначальных спиртов до альдегидов в присутствии алкогольоксидазы, и окисление феїилендиамина, катализируемое данными альдегидами. Высокая сложность описанной системы обусловило применение нелинейных методов калибровки. На вход нейронной сети подавалось 32 значения оптической плотности, полученной в разные моменты времени, на выходе получали значения концентраций этанола и метанола.
Предварительные исследования
Данные, полученные при использовании набора сенсоров, можно использовать для задач классификации. Так, например, в работе [Сао, 1995] кластерный анализ был применен к результатам, полученным при помощи системы, содержащей двенадцать га:ювых пьезоэлектрических сенсоров. Это позволило идентифицировать гомологи и изомеры алифатических спиртов, а также различать содержащие их образцы.
Как показано в работе [Muller, 1989], в качестве входных данных можно использовать не только сигналы системы сенсоров, но и изменение нескольких параметров одного сенсора. Четыре химических полупроводниковых сенсора при помощи дискриминантного анализа позволяли осуществлять идентификацию шести веществ. Измеряемыми параметрами при этом являлись скорость протекания каталитической реакции и скорость ее изменения (первая производная). Подобный принцип был использован авторами [Otagawa, 1987] при создании сенсора для детекции двуокиси азота, цшслогексана, бензола или угарного газа. Анализировалась зависимость откликов сенсоров от операционной температуры и приложенного потенциала. Для обработки результатов был применен кластерный анализ.
Например, в работе [Kalman, 2000] описано применение "электронного носа", состоящего из 10 полевых транзисторов, и 5 полупроводниковых газовых сенсоров. Полученные при помощи измерительной системы данные обрабатывали при помощи анализа главных компонент. Представленная установка была использована для классификации образцов кожи, используемой при внутренней отделке автомобиля. В качестве контрольных методов использовали газовую хроматографию и профессионалов-экспертов. Применение системы химических сенсоров позволило получить информацию о качестве обработки кожи и явилось значительно более дешевой альтернативой использованию экспертов. При этом получение и обработка данных системы сенсоров намного проще и быстрее, чем при использовании метода газовой хроматографии. Авторами также была показана возможность осуществления измерений в непрерывном режиме.
Другим примером может служить работа [Guadarrama, 2000], где авторы используют измерительную систему, состоящую из 10 полимерных сенсоров, для получения характеристики вина. Главными недостатками полимерных сенсоров являются низкая селективность и зависимость от влажности, а также содержания паров этанола. Тем не менее, применив для обработки сигналов преобразование Фурье и анализ главных компонент, авторам удалось получить четко выраженные кластеры для красного и белого вина, а также деионизированной воды и раствора этанола в воде. Вместе с тем, данная измерительная система не позволяла идентифицировать различные сорта красного вина. В качестве контрольного метода была использована спектрофотометрия.
Таким образом, авторами ряда работ показана высокая эффективность применения системы химических сенсоров для решения задач классификации. Используемый при этом математический аппарат включает в себя дискриминантный анализ, анализ главных компонент, кластерный анализ и искусственные нейронные сети. Альтернативные методы, как правило, заключаются в использовании панели профессионалов-дегустаторов (в пищевой промышленности) или хроматографических методов, что существенно повышает стоимость анализа.
