当前位置：
X-MOL 学术
›
Anal. Chem.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Structural Similarity Image Analysis for Detection of Adenosine and Dopamine in Fast-Scan Cyclic Voltammetry Color Plots.
Analytical Chemistry ( IF 6.7 ) Pub Date : 2020-07-06 , DOI: 10.1021/acs.analchem.0c01214 Pumidech Puthongkham 1 , Julian Rocha 1 , Jason R Borgus 1 , Mallikarjunarao Ganesana 1 , Ying Wang 1 , Yuanyu Chang 1 , Andreas Gahlmann 1 , B Jill Venton 1
Analytical Chemistry ( IF 6.7 ) Pub Date : 2020-07-06 , DOI: 10.1021/acs.analchem.0c01214 Pumidech Puthongkham 1 , Julian Rocha 1 , Jason R Borgus 1 , Mallikarjunarao Ganesana 1 , Ying Wang 1 , Yuanyu Chang 1 , Andreas Gahlmann 1 , B Jill Venton 1
Affiliation
|
Fast-scan cyclic voltammetry (FSCV) is widely used for in vivo detection of neurotransmitters, but identifying analytes, particularly mixtures, is difficult. Data analysis has focused on identifying dopamine from cyclic voltammograms, but it would be better to analyze all the data in the three-dimensional FSCV color plot. Here, the goal was to use image analysis-based analysis of FSCV color plots for the first time, specifically the structural similarity index (SSIM), to identify rapid neurochemical events. Initially, we focused on identifying spontaneous adenosine events, as adenosine cyclic voltammograms have a primary oxidation at 1.3 V and a secondary oxidation peak that grows in over time. Using SSIM, sample FSCV color plots were compared with reference color plots, and the SSIM cutoff score was optimized to distinguish adenosine. High-pass digital filtering was also applied to remove the background drift and lower the noise, which produced a better LOD. The SSIM algorithm detected more adenosine events than a previous algorithm based on current versus time traces, with 99.5 ± 0.6% precision, 95 ± 3% recall, and 97 ± 2% F1 score (n = 15 experiments from three researchers). For selectivity, it successfully rejected signals from pH changes, histamine, and H2O2. To prove it is a broad strategy useful beyond adenosine, SSIM analysis was optimized for dopamine detection and is able to detect simultaneous events with dopamine and adenosine. Thus, SSIM is a general strategy for FSCV data analysis that uses three-dimensional data to detect multiple analytes in an efficient, automated analysis.
中文翻译：
用于在快速扫描循环伏安法彩色图中检测腺苷和多巴胺的结构相似性图像分析。
快速扫描循环伏安法 (FSCV) 广泛用于神经递质的体内检测，但很难识别分析物，尤其是混合物。数据分析侧重于从循环伏安图中识别多巴胺，但最好分析 3 维 FSCV 颜色图中的所有数据。在这里，目标是首次使用基于图像分析的 FSCV 彩色图分析，特别是结构相似性指数 (SSIM)，以识别快速神经化学事件。最初，我们专注于识别自发的腺苷事件，因为腺苷循环伏安图在 1.3 V 处有一个初级氧化和一个随时间增长的次级氧化峰。使用 SSIM，将样品 FSCV 颜色图与参考颜色图进行比较，并优化 SSIM 截止分数以区分腺苷。还应用了高通数字滤波来消除背景漂移并降低噪声，从而产生更好的 LOD。SSIM 算法检测到的腺苷事件比基于电流与时间轨迹的先前算法更多，精度为 99.5 ± 0.6%，召回率为 95 ± 3%，F 为 97 ± 2%1分（n = 15 个来自三位研究人员的实验）。对于选择性，它成功地拒绝了来自 pH 变化、组胺和 H 2 O 2 的信号。为了证明它是一种除腺苷外有用的广泛策略，SSIM 分析针对多巴胺检测进行了优化，并且能够检测多巴胺和腺苷同时发生的事件。因此，SSIM 是 FSCV 数据分析的通用策略，它使用三维数据在高效、自动化的分析中检测多种分析物。
更新日期：2020-08-04
中文翻译：
用于在快速扫描循环伏安法彩色图中检测腺苷和多巴胺的结构相似性图像分析。
快速扫描循环伏安法 (FSCV) 广泛用于神经递质的体内检测，但很难识别分析物，尤其是混合物。数据分析侧重于从循环伏安图中识别多巴胺，但最好分析 3 维 FSCV 颜色图中的所有数据。在这里，目标是首次使用基于图像分析的 FSCV 彩色图分析，特别是结构相似性指数 (SSIM)，以识别快速神经化学事件。最初，我们专注于识别自发的腺苷事件，因为腺苷循环伏安图在 1.3 V 处有一个初级氧化和一个随时间增长的次级氧化峰。使用 SSIM，将样品 FSCV 颜色图与参考颜色图进行比较，并优化 SSIM 截止分数以区分腺苷。还应用了高通数字滤波来消除背景漂移并降低噪声，从而产生更好的 LOD。SSIM 算法检测到的腺苷事件比基于电流与时间轨迹的先前算法更多，精度为 99.5 ± 0.6%，召回率为 95 ± 3%，F 为 97 ± 2%1分（n = 15 个来自三位研究人员的实验）。对于选择性，它成功地拒绝了来自 pH 变化、组胺和 H 2 O 2 的信号。为了证明它是一种除腺苷外有用的广泛策略，SSIM 分析针对多巴胺检测进行了优化，并且能够检测多巴胺和腺苷同时发生的事件。因此，SSIM 是 FSCV 数据分析的通用策略，它使用三维数据在高效、自动化的分析中检测多种分析物。
京公网安备 11010802027423号