دانلود ترجمه مقاله مدل سازی ANFIS برای تشخیص باکتری بر سنسور زیستی GNR (وایلی 2015) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

مدل سازی ANFIS برای تشخیص باکتری بر سنسور زیستی GNR

ANFIS modeling for bacteria detection based on GNR biosensor

چکیده

مقدمه

آزمایشات

مدل پیشنهاد شده

مدل ANFIS

پیش بینی سنسورهای زیستی باکتریایی با استفاده از مدل ANFIS

نتایج

پایان

چکیده

پیشینه تحقیق: یکی از آلوتروپ های کربن، گرافن با ساختاری شش گوشه است که به صورت لایه ایی و در دو بعد گسترش می یابد. این ساختار دو بعدی با ایجاد سطح و ارتفاع بزرگتر، حساسیت بیشتری در نانوسنسورهای مبتنی بر گرافن، فراهم می کند. به علاوه به دلیل ویژگی های خاص گرافن مثل خواص الکتریکی، نوری و فیزیکی از آن به عنوان یک کاندید مناسب تر نسبت به دیگر مواد، جهت استفاده در سنسورها یاد می شود.
نتیجه: در این پژوهش، یک مجموعه از مدل های جدید با به کارگیری اثر میدان ترانزیستور (FET)، ساختارهای گرافن مورد استفاده را ایجاد کرده و از مشخصات جریان- ولتاژ (I-V) گرافن استفاده شد تا مکانیزم حساسیت را مدل سازی کند. از یک سیستم استنتاج عصبی-فازی سازگار (ANFIS)نیز استفاده شد تا مدل دیگری برای مشخصات جریان- ولتاژ (I-V) فراهم کند.
نتایج: مشاهده شد که رسانایی گرافن، زمانی که در معرض باکتری با غلظت cfu/ mL 104-0 قرار می گیرد، به شدت افزایش می یابد. بنابراین، نتایج نشان داد که مدل پیشنهاد شده سازگاری قابل قبولی با داده های آزمایشگاهی دارد و این سنسور زیستی می تواند با سطح حساسیت بالاتری، باکتری E. coli را شناسایی کند.

مقدمه

کشف باکتری Escherichia coli در تاریخ بشریت به سال 1885 میلادی باز می گردد و منسوب به باکتری شناس آلمانی TheodorEscheric است. او به رابطه ی بین تغییر شکل های خاص باکتری ها با اسهال و بیماری های گوارشی در نوزادان پی برد که یافته قابل توجهی در زمینه بهداشت عمومی بود. بنابراین به پاس تلاش های او نام این باکتری ها از Bacterium Coli به Escherichia coli تغییر یافت. قابل ذکر است که اغلب باکتری های E.coli باعث ایجاد هیچ گونه بیماری در انسان نمی شوند و حتی بعضا در جهت بهبود سلامت انسان عمل می کنند. اما برخی از این باکتری ها باعث ایجاد عفونت هایی شده که در گوارش اختلال ایجاد نمی کنند اما حجم ادرار را افزایش می دهند. E.coli ها در ساختار چندین سنسور زیستی مثل سنسورهای زیستی نوری، سنسورهای مبتنی بر فوتو دیود، سنسورهای زیستی راهنمای موج یک پارچه ، تکنیک های حساسیت الکتروشیمیایی یا سنسورهای زیستی نانو لوله های کربنی مبتنی بر یک ساختار FET که حد حساسیت خیلی بالایی دارند، مورد استفاده قرار گرفته اند. با این حال اغلب این آزمایشات به برچسب های خاص، برای تشخیص باکتری نیاز داشتند و بنابراین یک روش ساده تر مورد نیاز بود. بسیاری از سنسورهای ساخته شده قابل کنترل نیستند یا میزان حساسیت آن ها به طور قابل توجه ایی کمتر از حد مورد انتظار است. خواص و اسامی نانو مواد استفاده شده در سنسورهای E.coli به عنوان بخشی از نانوبیو تکنولوژی در جدول 1 آمده است.

نتیجه گیری

گرافن،وقتی در تماس با E. coliقرار گیرد، تغییرات قابل اندازه گیری در رسانایی را نشان می دهد. بنابراین پیشنهاد داده شد تا از این رفتار گرافن برای شناسایی این نوع باکتری استفاده شود. مشتق پارامتر کنترل غلظت باکتری(ψ) به یک مدل تحلیلی معرفی شده و مکررا محاسبه شد. سنسور تولید شده نیاز به برچسب ندارد، سریع و به شدت حساس است و باکتری های E. coli حتی در غلظت های کمتر از cfu/mL10 را شناسایی می کند. با مقایسه ی بین نتایج فراهم شده از مدل های تحلیلی و ANFIS می توان تخمین دقیق تری زد . با کمک این مدل ها یک شناخت واقعی از کارآیی سنسور زیستیِ در معرض E. coli بدست می آید که می تواند نیاز به انجام آزمایش های تجربی را حداقل کند.

Abstract

BACKGROUND: Graphene is an allotrope of carbon with two-dimensional (2D) monolayer honeycombs. A larger detection area and higher sensitivity can be provided by a graphene based nanosenor because of its two-dimensional structure. In addition, owing to its special characteristics including electrical, optical and physical properties, graphene is a known more suitable candidate than other materials for use in sensor applications.
RESULT: In this research, a set of novel models employing field effect transistor (FET) structures using graphene has been proposed and the current–voltage (I-V) characteristics of graphene have been employed to model the sensing mechanism. An adaptive neuro fuzzy inference system (ANFIS) algorithm has been used to provide another model for the current–voltage (I-V) characteristic.
CONCLUSION: It has been observed that the graphene device experiences a large increase in conductance when exposed to Escherichia coli bacteria at 0–104 cfu mL−1 concentrations. Accordingly, the proposed model exhibits satisfactory agreement with the experimental data and this biosensor can detect E. coli bacteria providing high levels of sensitivity.

INTRODUCTION

The discovery of Escherichia coli bacteria in human colon goes back to 1885 and is associated with German bacteriologist Theodor Escherich. He found correlations between particular strains of the bacteria and diarrhoea and gastroenteritis in infants which was a significant finding in the public health area; hence the change of the name of the bacteria from Bacterium Coli to Escherichia Coli in his honor.1,2 It must be noted that most E. coli bacteria do not cause any illness in humans, and some act to the benefit of the human body. However, several E. coli bacteria cause infections that are not gastrointestinal disorders, but rather those of the urinary tract.3,4 In E. coli sensing several biosensor structures have been used, such as optical biosensors, photodiode based sensing,5 integrated waveguide biosensors6 electro-chemical sensing techniques7 – 10 or carbon nanotube biosensors based on a FET structure with very high limits of sensing.11 – 14 Nonetheless, most of these experiments need the use of labels for detection; hence, a simpler method is required. Many of these biosensor fabrications are unmanageable or the limit of sensing is remarkably lower than preferred. Properties and definition of nanomaterials utilized as part of nanobiotechnology for E. coli sensing is recorded in Table 1.

CONCLUSION

The graphene component shows measureable changes in conductance when in contact with E. Coli, and this behavior is proposed to be used for the detection of this type of bacteria. A bacteria concentration control parameter (?) is introduced in the derivation of the analytical model and is calculated iteratively. The sensor created is label-free, rapid, extremely sensitive and selective for the detection of bacteria E. Coli, with a very low sensing limit of 10 cfu mL−1. Comparison between the results obtained from the analytical and ANFIS models enables more accurate estimations. With the aid of the proposed models, a realistic understanding of the biosensor performance under exposure to E. coli can be gained minimizing the need for empirical experiments.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدل سازی ANFIS برای تشخیص باکتری بر سنسور زیستی GNR

ANFIS modeling for bacteria detection based on GNR biosensor