نانومقیاس

نانومقیاس

مروری بر نانوحسگرهای الکتروشیمیایی بر پایه مواد کربنی به منظور تشخیص انتقال‌دهنده های عصبی و نقش هوش مصنوعی در بهبود عملکرد آنها

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران
2 پژوهشکده جامع علوم و فناوری های همگرا، دانشگاه صنعتی شریف
3 دانشکده فناوری های نوین پزشکی، دانشگاه علوم پزشکی شهیدبهشتی، تهران، ایران
10.22034/ns.2026.2106740.1450
چکیده
عدم تعادل در غلظت انتقال‌دهنده‌های عصبی در بدن با اختلالات عصبی-روانی ارتباط مستقیمی دارد و توانایی تشخیص این گونه‌ها نقش تعیین‌کننده‌ای در تبیین پاتوفیزیولوژی بسیاری از بیماری‌های عصبی داشته و زمینه را برای توسعه راهبردهای درمانی و مداخلات دارویی هدفمند فراهم می‌کند. یکی از چالش‌های این حوزه، تمییز پیک مشخصه مولکول‌های موردنظر با غلظت نانو/میکرومولاری در میان مداخله‌گرهای محیطی با غلظتی از مرتبه میلی‌مولار می‌باشد. در واقع به دلیل غلظت بالای گونه‌های مداخله‌گر، پیک‌های مشخصه دچار همپوشانی شده و امکان تشخیص دقیق مولکول مورد نظر با مساله مواجه می‌شود. در سال‌های اخیر، ادغام روش‌های یادگیری ماشین با نانوحسگرهای الکتروشیمیایی به عنوان رویکردی نوین برای تشخیص انتقال‌دهنده‌های عصبی مورد توجه قرار گرفته است. این رویکرد با توانایی در کاهش اثر نویز، مدیریت تداخل سیگنال‌ها و مدل‌سازی رفتارهای غیرخطی حسگرها، امکان استخراج الگوهای پنهان از داده‌های پیچیده الکتروشیمیایی را فراهم می‌سازد. در نتیجه، دقت اندازه‌گیری، گزینش‌پذیری و پایداری عملکرد حسگرها به طور قابل توجهی بهبود می‌یابد.

این نوشتار معرفی جامعی بر نانوحسگرهای الکتروشیمیایی مبتنی بر مواد کربنی در شناسایی انتقال‌دهنده‌های عصبی ارائه خواهد داد. همچنین، مزایای به‌کارگیری یادگیری ماشین برای غلبه بر چالش‌های حوزه حسگری الکتروشیمیایی و الگوریتم‌های متداول مورد استفاده در این زمینه مورد بحث قرار می‌گیرد.
کلیدواژه‌ها
موضوعات

عنوان مقاله English

AI-Enhanced Carbon-based Electrochemical Sensors for Neurotransmitter Detection

نویسندگان English

Mojtaba Taghipoor 1
Mahsa Heydari 2
Elham Asadian 3
1 Department of Mechanical Engineering, Sharif University of Technology, Tehran, Iran
2 Institute for Convergence Science and Technology, Sharif University of Technology
3 School of Advanced Technologies in Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran
چکیده English

Imbalances in neurotransmitter concentrations are strongly associated with the development of various neuropsychiatric disorders. Accurate detection of these biomolecules is therefore essential for understanding the pathophysiological mechanisms underlying neurological diseases and for supporting the development of effective therapeutic strategies and targeted pharmacological treatments. However, a major challenge in this field is the reliable identification of the characteristic electrochemical signals of target molecules present at nano- to micromolar concentrations in the presence of interfering species that often exist at millimolar levels. In recent years, the integration of machine learning approaches with electrochemical nano-sensors has attracted increasing attention as a promising strategy for neurotransmitter detection. Owing to their capability to reduce noise, manage signal interference, and capture complex nonlinear sensor responses, machine learning algorithms enable the extraction of meaningful patterns from complex electrochemical datasets. As a result, this integrated approach can significantly enhance the accuracy, selectivity, and reliability of nano-sensor performance.

This review provides a comprehensive overview of carbon-based electrochemical nano-sensors used for neurotransmitter detection. In addition, it elucidates the advantages of incorporating machine learning techniques to address the challenges associated with this field and discusses commonly employed algorithms and their applications.

کلیدواژه‌ها English

Electrochemical Nano-sensors
Neurotransmitters
Machine learning
Carbon-based Materials
Point-of-care Diagnostic

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 25 آبان 1405

  • تاریخ دریافت 31 شهریور 1405
  • تاریخ بازنگری 21 آبان 1405
  • تاریخ پذیرش 25 آبان 1405