Rilevamento intelligente on-site di componenti bioattivi mediante array di nanosensori funzionalizzati con istidina e algoritmi di machine learning

Questo studio rappresenta un importante avanzamento nel campo della biorilevazione intelligente, combinando l'ingegneria dei difetti nei nanozimi con sofisticate tecniche di machine learning. La metodologia si basa sulla sintesi di un nanozyme ibrido TA-Cu-His, ottenuto mediante funzionalizzazione con istidina di un precursore di acido trimesico-rame. L'approccio dell'ingegneria dei difetti è fondamentale per incrementare i siti catalitici e migliorare l'attività laccase-simile, una proprietà cruciale per catalizzare reazioni ossidative su substrati biologicamente rilevanti. Il disegno sperimentale prevede il caratterization chimico-fisico del nanozyme e la valutazione della sua attività catalitica a diversi pH, riconoscendo che l'ambiente acido-basico influenza significativamente le prestazioni del sensore. L'implementazione della strategia RFE per la selezione delle features rappresenta un elemento metodologico innovativo, permettendo di identificare quali canali di pH ottimizzano il segnale discriminante tra diverse componenti bioattive. Il risultato numerico più rilevante è l'incremento della precisione di classificazione dal 58,62% al 100% attraverso l'integrazione di algoritmi ML, suggerendo un importante miglioramento nella robustezza del sistema. L'applicazione di ResNet-50, un'architettura deep learning avanzata, rappresenta un ulteriore step verso l'implementazione pratica clinica e nutrizionale di questi sensori. Nel contesto della letteratura esistente, questo lavoro si distingue per la combinazione sinergica di nanozimi con proprietà catalitiche migliorate e sistemi di machine learning, superando le limitazioni precedenti dei sensori nanozimici tradizionali nella identificazione simultanea di multipli biomarker alimentari.