Определение генетически модифицированных продуктов на основе анализа терагерцовых спектров многовесовой нейронной сетью

Ding Fan, Fan Fan Lanlan, Li Tiejun, Liu Jianjun, Pan X., Yang Senquan

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

J. Liu, T. Li, S. Yang, L. Fan Fan, F. Ding, X. Pan Detection of genetically modified substances based on terahertz and multi-weight vector neural network (Определение генетически модифицированных продуктов на основе анализа терагерцовых спектров многовесовой нейронной сетью) [на англ. яз.] // Оптический журнал. 2021. Т. 88. № 7. С. 3–11. http://doi.org/10.17586/1023-5086-2021-88-07-03-11

J. Liu, T. Li, S. Yang, L. Fan Fan, F. Ding, X. Pan Detection of genetically modified substances based on terahertz and multi-weight vector neural network (Определение генетически модифицированных продуктов на основе анализа терагерцовых спектров многовесовой нейронной сетью) [in English] // Opticheskii Zhurnal. 2021. V. 88. № 7. P. 3–11. http://doi.org/10.17586/1023-5086-2021-88-07-03-11

Ссылка на англоязычную версию:

J. Liu, T. Li, S. Yang, L. Fan Fan, F. Ding, and X. Pan, "Detection of genetically modified substances based on the terahertz spectrum and a multi-weight vector neural network," Journal of Optical Technology. 88(7), 354-359 (2021). https://doi.org/10.1364/JOT.88.000354

Аннотация:

Генетически модифицированные продукты всегда являются объектами пристального внимания с точки зрения безопасности продуктов питания. Для детектирования генетически модифицированных материалов предложена бионическая модель распознавания на основе многовесовой нейронной сети, анализирующей спектры поглощения образцов в терагерцовой области спектра. Для каждого класса обучающих примеров случайным образом выбраны 50 образцов в качестве обучающей выборки для многовесовой нейронной сети, которые использованы как первый тест для подтверждения качества распознавания. Другие образцы использованы для второго теста, определяющего качество различения. Экспериментальные результаты показали, что предложенная модель обеспечивает эффективную идентификацию генетически модифицированных продуктов со сходными спектроскопическими характеристиками и перспективна для обнаружения и контроля генетически модифицированных организмов.

Ключевые слова:

терагерцовая спектроскопия, метод главных компонентов, многовесовая нейронная сеть

Благодарность:

Работа выполнена при поддержке Фонда поддержки научно-исследовательских работ (научно-исследовательские работы в колледжах и университетах) (№ 2019KTSCX165), Фонда поддержки докторских программ (№ 99000617), при частичной поддержке гранта на научно-исследовательские работы Научно-технологической программы Шаогуаня (№№ 2019sn056; 2019sn066), Основных площадок и главных научно-исследовательских проектов университетов провинции Гуандун (№ 2017KQNCX183), Основных проектов университета Шаогуань (№ SZ2017KJ08).

Коды OCIS: 300.0300, 040.2235, 010.1030

Список источников:

1. Jianjun Liu. Recognition of genetically modified product based on affinity propagation clustering and terahertz spectroscopy // Spectrochem. Acta A. 2018. V. 194. P. 14–20.
2. Jianjun Liu. High-sensitivity detection method for organochlorine pesticide residues based on loop-shaped absorber // Mater. Chem. Phys. 2020. V. 242. P. 122542.
3. Moreira Ivanira, Scarminio Ieda Spacino. Chemometric discrimination of genetically modified Coffea arabica cultivars using spectroscopic and chromatographic fingerprints // Talanta. 2013. V. 107. № 3. P. 416–422.
4. Vergragt P.J., Brown H.S. Genetic engineering in agriculture: New approaches for risk management through sustainability reporting // Technol. Forecast. Soc. Change. 2008. V. 75. P. 783–798.
5. Jianjun Liu, Lili Mao, Jinfeng Ku, et al. THz spectroscopy detection method for GMOs based on adaptive particle swarm optimization // Opt. and Quantum Electron. 2016. V. 48. № 2. P. 167–173.
6. Jianjun Liu, Zhi Li, Fangrong Hu, et al. Identification of transgenic organisms based on terahertz spectroscopy and hyper sausage neuron // J. Appl. Spectrosc. 2015. V. 82. № 1. P. 104–110.
7. Jianjun Liu, Zhi Li, Fangrong Hu, et al. Hyper sausage neuron: Recognition of transgenic sugar-beet based on terahertz spectroscopy // Opt. and Spectrosc. 2015. V. 118. № 1. P. 175–180.
8. Jianjun Liu, Zhi Li. The terahertz spectrum detection of transgenic food // Optik. 2014. V. 125. № 23. P. 6867–6869.
9. Nakamura K., Akiyama H., Kawano N., et al. Evaluation of real-time PCR detection methods for detecting rice products contaminated by rice genetically modified with a CpTI-KDEL-T-nos transgenic construct // Food Chem. 2013. V. 141. P. 2618–2624.
10. Alcantara G.B., Bsrison A., Santos M.S., et al. Assessment of genetically modified soybean crops and different cultivars by Fourier transform infrared spectroscopy and chemometric analysis // Orbital. Electron. J. Chem. 2010.V. 2. P. 41–52.
11. Burnett A.D., Fan W.H., Upadhya P.C., et al. Broadband terahertz time-domain spectroscopy of drugs-ofabuse and the use of principal component analysis // Analyst. 2009. V. 134. P. 1658–1668.
12. Jianjun Liu, Zhi Li, Fangrong Hu, et al. Method for identifying transgenic cottons based on terahertz spectra and WLDA // Internat. J. Light Electron Opt. 2015.V. 126. P. 1872–1877.
13. Nie Jun-Yang, Zhang Wen-Tao, Xiong Xian-Ming, et al. Recognition of transgenic soybeans based on terahertz spectroscopy and PCA-BPN network // Acta Photonica Sinica. 2016. V. 45. № 5. P. 1–7.

14. Jianjun Liu, Zhi Li, Fangrong Hu, et al. Identification of transgenic organisms based on terahertz spectroscopy and hyper sausage neuron // J. Appl. Spectrosc. 2015. V. 82. № 1. P. 109–114.
15. Liu J., Yang S. Research on the terahertz temperature correlation of L-tyrosine and L-alanine // JOT. 2021. V. 88. P. 1–8.
16. Wang Shou-Jue, Xu Jian, Wang Xian-Bao, et al. Multi-camera human-face personal identification system based on the biomimetic pattern recognition // Acta Electronica Sinica. 2003. V. 31. № 1. P. 1–3.
17. Xiao-Na, Huang Da-Zhuang, Shen Zu-Rui, et al. Research on artificial neural network method used for insects classification and identification principal componet analysis and mathematical modeling // J. Biomathematics. 2013. V. 28. № 1. P. 23–33.
18. Cao Fang, Wu Di, He Yong, et al. Variety discrimination of grapes based on visible-near reflection infrared spectroscopy // Acta Optica Sinica. 2009.V. 29. № 2. P. 537–540.