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
综述或非传感器论文
检测对象
气味分子（odorant molecules，含内酯、酸、萜烯、醛、酮、芳香族、醇、酯等挥发性化学物质）；样品基质：计算描述符数据库（PubChem/Dragon 生成的 104 个分子数据集）
检测原理
本文并非基于物理化学传感信号，而是采用计算分类原理。首先从分子结构生成 32 个优化气味描述符，形成输入向量；随后输入由 8 个多层感知机（MLP）组成的模型，每个 MLP 对应一个化学类别。MLP 含 32 个输入神经元、48 个隐藏神经元和 1 个输出神经元，层间采用二元 sigmoid 传递函数，通过反向传播和动量函数调整权重。训练时目标类别输出 1，其他类别输出 0；引入 10% 均匀噪声可增强泛化。对未知分子，输出层产生 0-1 概率值，概率越高表示该分子越可能属于对应类别；以 40% 为阈值判定化学类别。因此“信号”是分类概率，而非随浓度变化的传感响应。
检测灵敏度
原文未报告 LOD、线性范围、灵敏度斜率或相关系数（R^2）。
效应效果
在 15 个未见验证向量上，原始训练集与噪声注入训练集均实现 15/15 正确分类，平均预测准确率分别为 88.5% 和 92%，噪声注入使平均准确率提高 3.5%。预测准确率中位数分别为 95.4% 和 98.6%，最低预测准确率约为 54.8%（芳香族向量 9），高于 40% 判定阈值。噪声注入还加快收敛，少于 40 个 epoch 即可达到超过原始数据 200 个 epoch 的性能。本文未报告实际样品基质、加标回收率、RSD 或与 ELISA/HPLC/qPCR 等方法的直接对比。作者认为该模型可为人工气味生物传感器的气味分子检测与化学类别分类提供计算基础。
传感器的构成
- 无实体基底：原文未报道传感器基底或换能器电极材料
- 无纳米修饰层：原文未涉及纳米材料修饰层
- 识别模型：多层感知机（MLP）组装，作为计算识别元件
- 输入特征：32个优化气味描述符，提供分子理化信息
- 信号输出：MLP输出层0-1概率值，表示化学类别匹配度
- 验证读值：15个未见验证向量，用于评估分类准确率
中文摘要
化学描述符可将化合物的物理、化学和生物性质转化为数值信息，机器学习方法如人工神经网络（ANN）可通过训练这些描述符来学习和预测化合物。本文旨在通过预测气味分子为开发人工生物传感器提供基础。作者采用一组 32 个优化气味描述符，构建由多层感知机（MLP）组成的分类模型，用于区分八类气味物：内酯、酸、萜烯、醛、酮、芳香族、醇和酯。模型输入层含 32 个神经元，隐藏层含 48 个神经元，输出层为 1 个神经元，采用二元 sigmoid 传递函数和带动量的反向传播训练。在 15 个未见验证向量中，原始训练集平均预测准确率为 88.5%，全部 15/15 被正确分类；向训练集加入 10% 均匀噪声后，学习速度提高，平均预测准确率提升至 92%。结果表明，基于气味描述符的 MLP 组装具有准确预测气味分子化学类别的前景，可推动人工气味生物传感器的发展。
英文摘要
Chemical descriptors are a way to define information concerning the physical, chemical and biological properties of a chemical compound. Machine learning methods such as the Artificial Neural Network (ANN) can be used to learn and predict such compounds by training on the compounds chemical descriptors. The motivation of our work is to predict odorant molecules for the development of an artificial biosensor. In this work, we demonstrate using a set of 32 optimized odorant descriptors how an assembly of MultiLayer Perceptrons (MLPs) can be successfully trained to differentiate among eight different chemical classes of odorant. In this communication, we demonstrate how it is possible to predict all 15/15 vectors from an unseen validation set with a high average prediction accuracy of 88.5% for the validation vectors. Furthermore, an introduction of a 10% noise injection level to the training set, increased the learning rate significantly as well as improve the average prediction accuracy of the MLPs to 92% for the validating vectors. Thus, this work indicates the promise of using odorant descriptor values to accurately predict chemical class and so move us forward to the realisation of an artificial odorant biosensor.