DeepATsers：基于深度学习的SERS生物传感器一体化检测SARS-CoV-2病毒的创新框架

编辑推荐：针对RT-PCR检测耗时、LFA灵敏度不足的问题，研究者开发了结合CNN与GAN的DeepATsers深度学习模型，通过GAN将126条SERS光谱扩增至780条（KL divergence=0.02），实现SARS-CoV-2蛋白分类准确率达0.9750，验证实验对Omicron变体检测灵敏度达1.0000，为快速COVID-19诊断提供AI驱动解决方案。

　　在全球新冠疫情持续蔓延的背景下，快速准确的病毒检测技术成为公共卫生体系的关键防线。传统RT-PCR检测虽为金标准，却存在耗时长、操作复杂等局限；而侧向流动免疫分析法(LFA)虽快速但灵敏度不足。面对这一困境，蒙古科技大学联合多国团队在《Scientific Reports》发表了一项突破性研究，开发出名为DeepATsers的深度学习框架，将表面增强拉曼散射(SERS)生物传感器与人工智能技术深度融合，为COVID-19诊断带来革命性解决方案。

研究团队采用便携式拉曼光谱仪采集SARS-CoV-2五种蛋白（S蛋白、N蛋白、VLP蛋白、链霉亲和素蛋白及空白信号）在320 cm^-1至1650 cm^-1波数范围的SERS光谱数据。针对原始数据仅126条光谱的局限，创新性地应用生成对抗网络(GAN)、扩展乘性信号增强(EMSA)和高斯噪声三种数据增强技术，其中GAN以0.02的超低KL散度值生成780条高质量合成光谱。模型架构融合一维卷积神经网络(CNN)与GAN，采用双卷积层+dropout层+全连接层的设计，使用tanh和Softmax激活函数，通过五折交叉验证防止过拟合。

研究结果显示，在完整波数范围训练时，DeepATsers对SARS-CoV-2蛋白的多分类准确率达0.9750，显著优于随机森林(RF)的0.9437和SVM的0.9375。特别值得注意的是，模型对独立Omicron变体样本验证显示100%灵敏度，且全谱训练准确率(0.9643)远超仅用1078 cm^-1和1582 cm^-1特征峰训练的结果(0.6667)。通过t-SNE可视化显示，GAN增强后的数据分布更紧密，有利于分类决策。

在讨论部分，研究者强调该工作的三大创新：首次将GAN用于1D SERS光谱增强、证明全谱训练优于特征峰策略、实现便携设备与AI的有机结合。未来可通过整合高斯-洛伦兹函数进一步拓展模型识别多生物标志物的能力。这项研究不仅为COVID-19诊断提供新范式，其技术框架还可迁移至其他病原体检测领域，对应对新发传染病威胁具有重要战略意义。