مدل‌سازي و بهينه‌سازي نانوبيوسنسور اليگونوكلئوتيدي با استفاده از رويكرد مبتني بر شبكه عصبي مصنوعي و الگوريتم ژنتيك

توسعه هر نوع بيوسنسور با چالش‌هايي در زمينه بهينه‌سازي پارامترها و كاليبراسيون مواجه است. در اين تحقيق رويكردي مبتني بر يادگيري ماشين براي مدل‌سازي و بهينه‌سازي مولفه هاي تاثيرگذار در ساخت نانوبيوسنسور الكتروشيميايي بر اساس الكترود كربن شيشه‌اي اصلاح شده با گرافن اكسيد و نانوميله طلا در شرايط كاري آزمايشگاهي ارائه شده است. پاسخ نانوبيوسنسور به عنوان خروجي و تاثير هشت عامل موثر شامل: غلظت گرافن اكسيد، غلظت نانو ميله‌هاي طلا، غلظت پروب تك‌رشته‌اي، مدت زمان ماند پروب تك‌رشته‌اي بر روي الكترود اصلاح شده، مدت زمان ماند MCH بر روي الكترود اصلاح شده، مدت زمان هيبريداسيون پروب و اليگونوكلئوتيد هدف، غلظت محلول شناساگر اوراست‌بلو، مدت زمان ماند اوراست‌بلو، به عنوان ورودي‌هاي مدل شبكه عصبي براي آموزش و توسعه مدل مورد استفاده قرار گرفتند. نتايج بدست آمده نشان داد كه خروجي مدل همخواني قابل قبولي با نتايج آزمايشگاهي داشته و مدل مي‌تواند پاسخ نانوبيوسنسور را با دقت 96.91 درصد و ميانگين درصد خطاي مطلق 5.5090 درصد پيش‌بيني كند. در پايان با استفاده از الگوريتم ژنتيك مقادير بهينه متغيرهاي ورودي براي دستيابي به حداكثر جريان پاسخ نانوبيوسنسور، محاسبه گرديد. نتايج بهينه‌سازي نشان داد كه اين روش عملكرد مناسبي در مقايسه با نتايج آزمايشگاهي دارد و مي‌تواند براي ساخت و طراحي نانوبيوسنسور مورد استفاده قرار بگيرد.