基于cMWCNTs/Cys无标记型电化学适配体传感器定量检测肌红蛋白

以适配体作为分子识别和结合敏感元件,功能化修饰电极为换能元件,构建无标记型电化学适配体传感器用于血清肌红蛋白定量检测。利用L-半胱氨酸(L-Cys)和羧基化多壁碳纳米管(cMWCNTs)氨基、羧基和巯基分别共价连接5’端修饰氨基适配体和金盘基础电极表面,获得Apt/cMWCNTs/Cys修饰功能化电极,明确其电化学性能。实验结果表明,Mb浓度在0.01~10 ng/mL范围内,电化学传感体系的差分脉冲峰电流值与Mb浓度对数呈现良好的线性关系,相关系数为0.993。cMWCNTs/Cys无标记型电化学适配体传感器具有良好的特异性,可实现血清Mb的定量检测,其检测限LOD为0.016 pg/mL,相对标准偏差RSD为2.09%~3.10%,回收率为94.26%~101.30%。

基于石墨烯和金纳米笼修饰的无标记型微囊藻毒素免疫传感器的研制

利用石墨烯及中空结构的金纳米笼构建了无标记型电化学免疫传感器,并用于微囊藻毒素的检测。利用多元醇还原法合成制备了导电性好、催化性强、生物相容性好的金纳米笼；再利用高分散的石墨烯将其固定于玻碳电极表面,进一步吸附固定微囊藻毒素抗体。在无微囊藻毒素存在时,电化学探针[Fe（CN）6]3-/4-在传感器界面上能获得较高的电流响应信号。当培育了微囊藻毒素后,抗体与微囊藻毒素形成免疫结合物,增加了电极表面的电荷密度和传质阻力,阻碍[Fe（CN）6]3-/4-扩散到电极表面,导致[Fe（CN）6]3-/4-的电流响应信号明显降低,电流减小的程度间接地与微囊藻毒素的浓度成比例,可实现对微囊藻毒素的检测。实验考察了抗原培育时间,抗体浓度等条件对该传感器响应性能的影响。结果表明,此传感器对微囊藻毒素的线性响应范围为0.05~1000μg/L,检出限为0.017μg/L,优于文献报道。此传感器操作简单,并且具有良好的稳定性,将其用于实际水样中微囊藻毒素的检测,平均加标回收率为94.1%。

基于聚硫堇修饰金电极构建无标记电流型免疫传感器检测冈田酸

在金电极表面利用循环伏安法电聚合修饰聚硫堇(PTh),由于PTh表面具有大量的-NH_(2)官能团,可通过与戊二醛发生席夫碱反应固定抗体,基于抗原-抗体特异性免疫反应的原理,构建一种无标记电流型免疫传感器,实现对冈田酸(OA)的定量检测。用该免疫传感器以方波伏安法(SWV)对OA浓度进行检测,在0.1~100μg/L范围内,免疫反应前后峰值电流差值△i_(p)与OA浓度对数值lgC_(OA)具有良好的线性关系,线性回归方程为△i_(p)=4.1915+2.1679lgC_(OA),线性相关系数R2=0.9578,检测限为18.1 ng/L(S/N=3)。该传感器检测限低、线性工作区间宽、操作简便。

基于新型六方相硫化镉纳米材料的光电化学免疫传感器及前列腺特异性抗原灵敏检测

以新型纳米材料六方相硫化镉(CdS)为光电极,利用空间位阻效应,构建了一种灵敏检测前列腺特异性抗原(PSA)的无标记型光电化学(PEC)免疫传感器。当目标物PSA存在时,修饰在光电极上的抗体特异性识别PSA形成免疫复合物,电极界面空间位阻的增加导致光电流响应的降低。光电极良好的光电性能结合免疫反应的高特异性,使得该免疫传感器具有良好的分析性能。在优化实验条件下,该方法对PSA的检出限为5.0×10^(-13)g/mL,线性范围在1.0×10^(-12)~1.0×10^(-7)g/mL。将该方法应用于人血清中PSA的检测,加标回收率为90.0%~112.0%,相对标准偏差(RSDs)不大于5.0%,结果与信阳市中心医院提供的参考结果基本一致。

基于聚吡咯修饰金电极的无标记电流型免疫传感器在检测冈田酸中的应用

本文采用循环伏安法在金电极表面电聚合修饰聚吡咯(PPy),利用PPy表面大量的-NH_(2)官能团,通过与戊二醛的席夫碱反应固定抗体,基于抗原—抗体特异性免疫反应的原理,构建了一种无标记电流型免疫传感器,实现对冈田酸(OA)的检测。用该免疫传感器以方波伏安法(SWV)对OA浓度进行检测,免疫反应前后峰值电流差值Δi_(p)与OA浓度对数值lgC_(OA)具有线性关系,线性回归方程为Δi_(p)=13.7850+8.1872lgC_(OA),相关系数R2=0.9638,检测限为26.6 ng/L(S/N=3)。该传感器检测限低、灵敏度高、操作简便,对实际扇贝样品进行检测,平均回收率为109.7%。

Regularized canonical correlation analysis with unlabeled data

In standard canonical correlation analysis (CCA), the data from definite datasets are used to estimate their canonical correlation. In real applications, for example in bilingual text retrieval, it may have a great portion of data that we do not know which set it belongs to. This part of data is called unlabeled data, while the rest from definite datasets is called labeled data. We propose a novel method called regularized canonical correlation analysis (RCCA), which makes use of both labeled and unlabeled samples. Specifically, we learn to approximate canonical correlation as if all data were labeled. Then, we describe a generalization of RCCA for the multi-set situation. Experiments on four real world datasets, Yeast, Cloud, Iris, and Haberman, demonstrate that, by incorporating the unlabeled data points, the accuracy of correlation coefficients can be improved by over 30%.