【摘要】 VB6衍生物(VB6)Ds）对所有生物来说，完成它们的生理过程是非常重要的。

研究内容：

VB6衍生物(VB6)Ds）对所有生物来说，完成它们的生理过程是非常重要的。然而，体内过多的人会造成严重的问题。更重要的是，由于其化学结构高度相似，不同VB6D的定性和定量分析可能面临重大挑战。此外，深度学习模型需要更多地出现在基于盈光的生物传感器中，从一项任务到类似任务的转移。因此，为了解决这一问题，开发了两种基于3D荧光谱固有指纹的深度学习模式来识别五种VB6D。深度神经网络(DNN)还有卷积神经网络(CNN)其准确性分别为94.44-97.77%和97.77-100%。未来，开发的模型(1-100)将在宽浓度范围内使用μM）以下是VB6D的定量分析。R2(R2)DNN和CNN测试集的值分别为93.28和97.01%，这也表明CNN优于DNN。因此，我们的方法为小分子的定性和定量传感开辟了新的途径，这将丰富与深度学习和分析化学相关的行业，特别是与传感器阵列化学相关的行业。

 

要点一：

作者开发了基于不同三维荧光光谱的细微信息形成的深度学习方法。Cys/NAC−Cys//由于AuNC与VB6D的交互作用而出现。NAC−3D莹光变化，AuNCs。因此，Cys//NAC−Auncs溶液作为单一探头，定性和定量阐述了五种VB6D。

 

要点二：

作者提出的基于深度学习的方法简单、快速、低成本、准确，集中检测的CNN模型精度高达97.77%。基于深度学习的方法用于处理更广泛的浓度范围(1~100。μM)浓度预测任务。注意浓度范围(1~100)μM)远低于维生素B6的正常摄入量（1~2mm）。此外，在定量分析方面，CNN模型优于DNN模型，R2为97.01%。因此，我们的结果证明了CNN模型在定性和定量分析VB6D方面的优势。

本文重点介绍了样品的实际应用和各种测试。未来，使用单探头构建传感器阵列将降低成本、工作量、准确性和特异性。同时，将深度学习算法与Aunc和小分子衍生出的不同3D光谱的微指纹信息相结合，为复杂介质中小分子的定性和定量分析开辟了新的窗口。