Geri Dön

Machine learning-based SARS-CoV-2 viral detection using surface-enhanced raman spectroscopy optimized with genetic algorithm

Genetik algoritma ile optimize edilmiş yüzeyi geliştirilmiş raman spektroskopisi kullanılarak makine öğrenimi tabanlı SARS-CoV-2 viral tespiti

  1. Tez No: 742249
  2. Yazar: BUSE BİLGİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET CENGİZ ONBAŞLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 116

Özet

COVID-19 teşhisi için altın standart, burun sürüntüleri kullanılarak gerçekleştirilen gerçek zamanlı polimeraz zincir reaksiyonu (RT-PCR) testidir. RT-PCR testinin numune toplama, ön işleme ve analiz işlemlerini içeren karmaşık test süreci ve özellikle viral konsantrasyonun düşük olduğu hasta testlerindeki yüksek yanlış negatif oranı nedeniyle, tükürük gibi kolayca elde edilen sıvılara dayanan oldukça hassas ve hızlı bir algılama yöntemine ihtiyaç duyulmaktadır. Bu tezde, hastalardan toplanmış tükürükten doğrudan COVID-19'u tayin etmek için geliştirilen bir yüzey zenginleştirilmiş Raman spektroskopisi (SERS) metayüzey tasarımı sunulmaktadır. SERS metayüzeyleri, genetik algoritma (GA) yardımı ile 2100 olasılıklı bir model alanından altın meta yüzeylerinin hesaplamalı olarak taranması sayesinde, sonuçları SARS-CoV-2'nin varlığını ve konsantrasyonunu değerlendirmek için kullanılacak şekilde optimize edilmiştir. Elektromanyetik alan profilleri, her yapının performansını belirlemek için kullanılmıştır ve GA optimizasyonu sırasında üretilen tasarımları sıralamak ve içlerinden en iyilerini seçmek için uygunluk değeri olarak belirlenmiştir. Optimize edilmiş yapı, elektron demeti (E-beam) litografisi ile üretilmiştir ve ilk olarak inaktive virüslerle test edilmiştir. Toplanan spektrumlar, sistemin performansını göstermek için bir makine öğrenme algoritması ile sınıflandırılmıştır. Ardından, 36 PCR pozitif ve 33 negatif klinik numune kullanılarak, virüs doğrusal ayırma analizi ve destekçi vektör makinesi modellerini kullanarak yüzde 95.2 duyarlılık ve özgüllükle tanımlanmış ve vahşi tip, alfa ve beta varyasyonlarını ayırt edilebilmiştir. Bulgularımız daha etkili, güvenli ve niceliksel önleyici tarama ve varyant tanımlamanın önünü açabilir

Özet (Çeviri)

The gold standard method for COVID-19 diagnosis is the real-time polymerase chain reaction (RT-PCR) test on nasal swabs. Due to the high false-negative results, especially at low viral loads, and complex test processes, including the sample collection, pre-processing, and analysis, a highly sensitive and quick detection method based on easily obtained fluids such as saliva is needed. In this thesis, we present surface-enhanced Raman spectroscopy (SERS) metasurfaces for directly measuring COVID-19 from unprocessed saliva. The SERS substrates were optimized using a genetic algorithm (GA) to computationally screen gold metasurfaces from a pattern space of 2100 possibilities for strongly enhanced light-virus interaction, and we used the optimized SERS chip design to evaluate the presence and concentration of SARS-CoV-2. The electromagnetic field profiles were used to determine the field enhancement of each structure and used as a fitness value to sort the generated designs during the GA optimization. The optimized structure was fabricated with an electron-beam lithography and tested first with inactivated viruses. Since the Raman measurements contain far too many peaks to be assigned manually, the collected spectra were classified with machine-learning algorithms to show the system's performance. Then, on 36 PCR positive and 33 negative clinical samples (n=69), we used linear discriminant analysis and support vector machines model to identify the virus from Raman spectra with 95.2% sensitivity and 95.2% specificity and to discriminate the wild-type, alpha, and beta variants of SARS-CoV-2. Our findings may pave the way for more effective, safe, and quantitative preventive screening and variant identification.

Benzer Tezler

  1. COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti

    Detection of COVID-19 disease using deep learning methods

    HÜSEYİN YAŞAR

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

  2. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  3. X-ray görüntülerinden COVID-19 tespiti için derin öğrenme tabanlı modellerin geliştirilmesi

    Development of deep learning based models for COVID-19 detection from X-ray images

    GİZEM ÖTER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. EMRAH HANÇER

  4. Makine öğrenmesi yöntemleri ile kovid-19 transkriptomik biyobelirteçlerin belirlenmesi

    Determination of kovid-19 transcriptomic biomarkers using machine learning methods

    HATİCE YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT GÖK

  5. Covid-19 aşısı ile ilgili makine öğrenmesine dayalı twitter duygu analizi

    Machine learning based twitter sentiment analysis on Covid-19 vaccine

    CEM NASİFOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PELİN GÖRGEL