Application of Artificial Intelligence to Paper Based Colorimetric Sensors

Kolorimetrik analiz, biyomoleküllerin saptanmasında kullanılan ve çıplak gözle
gözlemlenen maddenin varlığını ve konsantrasyonunu belirlemek için renk
değişimlerini kullanılarak ölçülmesini sağlayan bir tekniktir. Sağlık, gıda, ilaç,
kozmetik ve boya endüstrileri gibi birçok farklı alanda biyolojik, tıbbi ve çevresel
numunelerin analizinde kolorimetrik analiz kullanılmaktadır. Bakım-noktası (POC)
testleri kullanım kolaylığı ve ulaşılabilirliği nedeniyle bir çok alanda kullanılmaktadır.
POC testlerinin kolorimetrik analiz ile entegrasyonu kullanım kolaylığını
arttırmaktadır. Kolorimetrik analizde, doğru sonuçlar elde etmek için doğru ölçüm ve
kalibrasyon teknikleri gerekmektedir. Bu nedenle son yıllarda kimya ve biyotıpta
biyolojik sensörlerin geliştirilmesinde yapay zeka ve akıllı telefon teknolojisi yaygın
olarak kullanılmaktadır. Akıllı telefon kamerası kullanılarak elde edilen görüntüler,
yapay zeka teknikleriyle işlenerek yüksek doğrulukta sonuçlar elde etmektedir. Bu
tezde yapay zeka yaklaşımları kullanılarak sırasıyla terde laktat tespiti ve H2O2 tespiti
gerçekleştirilmiştir. İlk olarak, bir µPAD kullanılarak peroksidaz-benzeri aktivite
gösteren bir Fe3O4@chitosan nanozim (Fe3O4@chi) kullanılarak H2O2 tespiti
gerçekleştirilmiştir. Öncelikle, Fe3O4@Chi nanoziminin katalitik performansı ilk
olarak 3,3',5,5'-tetrametilbenzidin kullanılarak UV-Vis spektroskopisi ile
değerlendirildi. Fe3O4 nanoparçacıklarının (NP) aksine, Fe3O4@ Chi nanozim, 69
nM'lik bir tespit limiti ile içsel bir peroksidaz aktivitesi sergilemiştir. Ardından
nanozimin 3,3',5,5'-tetrametilbenzidin ile reaksiyonuna dayanarak bir µPAD
yardımıyla H2O2'nin kolorimetrik tespiti gerçekleştirildi. Makine öğrenimi
sınıflandırıcılarak sahip "Hi-perox Sens++" adlı bir uygulama ile sistemin
entegrasyonu gerçekleştirilerek kullanıcı dostu bir sistem geliştirilmiştir. Farklı ışık
kaynakları ve farklı telefon markaları kullanılarak makine öğrenimi
sınıflandırıcılarının eğitildiği sistemde 30. saniye ve 10. dakikalarda görüntüler alındı.
Sonuçlara göre lineer diskriminant analizi, t=30 s'de telefondan bağımsız
tekrarlanabilirlik ile en yüksek sınıflandırma doğruluğunu (%98,7) sergiledi ve
doğruluk 10 dakika boyunca korundu. İkinci olarak, bir kağıt-tabanlı mikroakışkan
cihaz (µPAD) kullanılarak yapat terde laktat tespiti gerçekleştirmek amacıyla laktat
oksidaz- yaban turpu peroksidazı ve 3,3′ ,5,5′ -tetramethylbenzidine reaksiyon sistemi
kullanılarak laktatın kolorimetrik tespiti gerçekleştirilmiştir. Farklı aydınlatma
koşulları ve farklı marka telefonlar ile elde edilen görüntüler "DeepLactate" adlı derin
öğrenme tabanlı telefon uygulamasında terde ki laktatın seçici ve kantitatif analizi için
uygulanmıştır. Çeşitli derin öğrenme modellerinin eğitildiği sistemde en yüksek
performansa sahip Inception-v3 uygulama içerisine yerleştirilmiştir. Elde edilen
sonuçlara göre, mevcut sistem telefondan bağımsız tekrarlanabilirliği ve 1 saniyeden
kısa işlem süresi ile %99,9 sınıflandırma doğruluğu göstermiştir. Ardından gönüllüler
üzerinde insan terinde laktat tespiti gerçekleştirmek amacıyla bir yama tasarlanmıştır.
Sırasıyla dinlenme ve egzersiz sonrası gönüllülerde laktat tespiti gerçekleştirilmiştir.

Using color changes to measure the presence and concentration of the substance visible to the naked eye, colorimetric analysis is a method used in the detection of biomolecules. In many different industries, including the health, pharmaceutical, food, paint, and cosmetics sectors, the colorimetric analysis is used to analyze biological, medical, and environmental samples. Point-of-care (POC) tests are used in many areas due to their ease of use and accessibility. Integration of POC tests with colorimetric analysis increases ease of use. In colorimetric analysis, accurate measurement and calibration techniques are required to obtain accurate results. For this reason, artificial intelligence and smartphone technology have been widely used in the development of biological sensors in chemistry and biomedicine in recent years. Images obtained using a smartphone camera are processed with artificial intelligence techniques to obtain highly accurate results. In this thesis, lactate detection and H2O2 detection in sweat were performed using artificial intelligence approaches, respectively. First, H2O2 detection was performed using a Fe3O4@chitosan nanozyme (Fe3O4@chi) with a peroxidase-like activity using a uPAD. First, the catalytic performance of the Fe3O4@Chi nanozyme was first evaluated by UV-Vis spectroscopy using 3,3',5,5'- tetramethylbenzidine. Unlike Fe3O4 nanoparticles (NP), Fe3O4@Chi nanozyme exhibited an intrinsic peroxidase activity with a detection limit of 69 nM. Then, based on the reaction of the nanozyme with 3,3',5,5'-tetramethylbenzidine, colorimetric detection of H2O2 was performed with the help of a µPAD. A user-friendly system has been developed by integrating the system with an application called "Hi-perox iv Sens++", which has machine learning classifiers. In the system where machine learning classifiers were trained using different light sources and different phone brands, images were taken at 30 seconds and 10 minutes. In the end, it was found that linear discriminant analysis had the highest classification accuracy (98.7%) with phone-independent repeatability at t=30 s, and accuracy was maintained for 10 minutes. Second, colorimetric detection of lactate was performed using horseradish peroxidase, lactate oxidase and 3,3′,5,5′-tetramethylbenzidine reaction system to detect lactate in artificial sweat using a microfluidic paper-based analytical systems (µPAD). Images obtained with different lighting conditions and different brands of phones were applied for the selective and quantitative analysis of lactate in sweat in a deep learning-based phone application called "DeepLactate". In the system where various deep learning models are trained, Inception-v3 with the highest performance is placed in the application. According to the results obtained, the current system showed 99.9% classification accuracy with phone-independent repeatability and a processing time of less than 1 second. A patch was then designed to detect lactate in human sweat on volunteers. Lactate detection was performed in volunteers after rest and exercise, respectively.