组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
全细胞生物传感器
检测对象
挥发性气味分子（odorants/volatile chemical compounds），包括内酯（lactones）、酸（acids）、萜烯（terpenes）、醛（aldehydes）、酮（ketones）、芳香族（aromatics）、醇（alcohols）、酯（esters）；样品基质为气相挥发性化合物/气味物
检测原理
挥发性气味分子进入果蝇触角或下颚须的毛状sensilla，经淋巴中的气味结合蛋白运输至OSN树突表面的气味受体。果蝇气味受体由Orco与配体结合型OR组成，激活后作为阳离子通道开放或关闭，引起OSN去极化并改变其自发发放率。电生理技术记录24个OSN的发放率，形成随气味物类别和刺激强度变化的发放率模式。数据经零均值和归一化后输入8个前馈MLP，每个MLP以24个输入、48个隐藏神经元和1个输出神经元判别一个化学类别。训练中加入10%均匀加性噪声以增强泛化，使网络对未见气味物更稳健。最终输出为内酯、酸、萜烯、醛、酮、芳香族、醇或酯的类别判别。
检测灵敏度
原文未报告LOD、线性范围、灵敏度斜率或R^2。
效应效果
该OSN-ANN方法可区分8类挥发性化学物质，对15个未见验证气味物以25%检测阈值正确识别13个，准确率为87%。与原始数据训练相比，加入10%均匀噪声训练的MLP平均识别准确性提高7%，标准差为12.5%，说明噪声注入可增强泛化能力和抗扰性。论文未报告LOD、线性范围、RSD、实际样品加标回收率，也未与ELISA、HPLC或qPCR等现有方法直接对比。作者认为，基于昆虫OSN发放率和噪声注入MLP的分类框架可为人工嗅觉生物传感器提供稳健方法，潜在应用于水果成熟度判断、违禁品或爆炸物检测以及疾病诊断。
传感器的构成
- 识别元件：果蝇 Drosophila melanogaster 嗅觉感觉神经元（OSN）阵列，表达气味受体（OR）与Orco，结合挥发性气味分子并改变发放率
- 换能/读出：电生理记录技术，测量单个OSN的发放率（firing rates）作为电信号
- 信号输入：24个OSN发放率向量，经零均值和归一化预处理
- 分类器：8个前馈多层感知机（MLP），输入24神经元、隐藏48神经元、输出1神经元，分别对应8类
- 训练增强：10%均匀加性噪声注入训练/验证数据，提高泛化与识别准确性
- 输出：化学类别判别（内酯、酸、萜烯、醛、酮、芳香族、醇、酯）
中文摘要
嗅觉系统能够检测挥发性化学物质，即气味分子或odorants。这些气味分子具有多样的化学结构，并与嗅觉系统受体相互作用。昆虫嗅觉系统提供了直接测量单个嗅觉感觉神经元（OSN）在气味刺激下产生发放率的独特机会，从而利用这些数据辅助化学物质分类。本文证明，可以利用醋蝇（Drosophila melanogaster）OSN阵列的发放率训练人工神经网络（ANN），并以多层感知机（MLP）系列形式区分8个不同化学类别。结果表明，MLP在108种气味物上训练，并对干净数据和注入10%噪声的数据进行测试时，能够可靠识别87%的未见验证集化学物质；使用噪声注入时，MLP可提供更准确的识别水平。这说明10%噪声注入的MLP系列为基于OSN发放率分类化学物质提供了稳健方法，并为未来实现人工嗅觉生物传感器铺平道路。
英文摘要
The olfactory system detects volatile chemical compounds, known as odour molecules or odorants. Such odorants have a diverse chemical structure which in turn interact with the receptors of the olfactory system. The insect olfactory system provides a unique opportunity to directly measure the firing rates that are generated by the individual olfactory sensory neurons (OSNs) which have been stimulated by odorants in order to use this data to inform their classification. In this work, we demonstrate that it is possible to use the firing rates from an array of OSNs of the vinegar fly, Drosophila melanogaster, to train an Artificial Neural Network (ANN), as a series of a Multi-Layer Perceptrons (MLPs), to differentiate between eight distinct chemical classes. We demonstrate that the MLPs when trained on 108 odorants, for both clean and 10% noise injected data, can reliably identify 87% of an unseen validation set of chemicals using noise injection. In addition, the noise injected MLPs provide a more accurate level of identification. This demonstrates that a 10% noise injected series of MLPs provides a robust method for classifying chemicals from the firing rates of OSNs and paves the way to a future realisation of an artificial olfactory biosensor.