北京
近日，高致病性病毒與生物安全全國重點實驗室/武漢大學生命科學學院徐可課題組與華中科技大學集成電路學院劉歡課題組在國際期刊《Advanced Science》發表了題為“Real-Time and Non-Invasive Detection of Respiratory Viral Infections Using an Intelligent Odor Monitoring System (IOMS)”的研究成果。團隊成功構建了一套能連續"嗅"出呼吸道病毒感染的智能氣味監測系統（IOMS），在機體接觸病毒不到半天時間（7–8小時）即可捕捉病毒信號，實現基于機器學習算法的“電子鼻”穩健識別病毒——準確率高達99.88%，為呼吸道傳染病的超早期無創篩查提供了極具潛力的技術方案。
一只小鼠正常呼吸，它身邊的傳感器已經悄悄"聞"出了它體內的流感病毒。此時，距離 它接觸病毒 僅僅過去了 7個小時。武漢大學徐可 課題組 聯合華中科技大學劉歡 課題組 最新發表的一項研究成果 ， 構建了一套名為IOMS（ Intelligent Odor Monitoring System，智能氣味監測系統）的"AI電子鼻"，并將其嵌入實驗動物籠具，以每秒1次的頻率連續7天不間斷"嗅探"，最終從超過360萬個縱向氣味數據點中，教會了 電子鼻 精準識別病毒感染。
實時監測感染相關揮發性有機化合物（VOCs），為呼吸道感染的早期檢測提供了無創技術路徑。但復雜的 VOC 混合組分、待測物豐度低、顯著的個體生物學差異，仍制約著診斷精準度。本研究構建了一套基于感染標志物篩選的智能氣味監測系統（IOMS）。研究先鑒定出乳酸乙酯、3,5 - 二甲基辛烷等感染特征標志物，以此指導開發高靈敏度傳感器陣列，并將其集成至獨立通風籠具（IVC）實驗平臺。系統采樣頻率 1 赫茲，在為期 7 天的感染周期內共采集 3628800 組縱向時序檢測數據，成功捕捉感染組與未感染組間截然不同的氣味響應動態特征；探索性主成分分析也佐證了不同感染階段存在特征性時序變化規律。
本研究采用 K 近鄰（KNN）、支持向量機（SVM）、線性判別分析（LDA）等機器學習模型，基于上述時序動態數據對完整感染周期進行建模，最優模型內部驗證準確率達 99.88%；獨立盲樣隊列試驗進一步驗證了模型的泛化能力。值得關注的是，小鼠在感染后 7–8 小時即可出現早期傳感器信號偏移，感染 9 小時后模型便能實現穩定區分，證實該體系可在小鼠模型中實現感染早期監測。
該智能氣味監測系統將標志物靶向氣味傳感與機器學習算法相融合，可實現自動化、持續性監測，充分證明縱向 VOC 時序監測技術在呼吸道感染臨床前動物研究中具備廣闊應用前景。
IOMS 智能電子鼻連續"嗅"出病毒感染相關氣味動態
武漢大學生命科學學院博士研究生沈亞潔、博士后袁為鋒、華中科技大學李龍博士為本文共同第一作者，華中科技大學劉歡教授、武漢大學徐可教授為本文共同通訊作者。該工作是武漢大學高致病性病毒與生物安全全國重點實驗室“開放課題”支持下開展的醫工交叉合作研究，建立了流感病毒感染的無創快速識別模型，研究同時得到國家重點研發計劃、國家自然科學基金及湖北省重點研發計劃等資助。該研究發現的氣體標志物申請國家發明專利，IOMS系統已獲得實用新型專利授權。
文章鏈接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.76244
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
