Машинное обучение и хемометрия для электрохимических сенсоров: движение к будущему аналитической химии

Электрохимические сенсоры и биосенсоры успешно применяются в самых разных областях, однако систематическая оптимизация изготовления электродов и учет нелинейных взаимосвязей при анализе данных остаются сложными задачами. Машинное обучение и планирование эксперимента — хемометрические методы, доказавшие свою эффективность при разработке методик и анализе данных. В этом мини-обзоре обобщены современные применения машинного обучения и планирования эксперимента в электроаналитической химии. Сначала рассматриваются полный факторный, центральный композиционный планы и план Бокса—Бенкена как систематические подходы к оптимизации изготовления электродов с учетом влияния отдельных переменных и их взаимодействий. Затем представлены принципы алгоритмов машинного обучения, включая линейную и логистическую регрессию, нейронные сети и метод опорных векторов. Эти модели машинного обучения применяются для выявления сложных взаимосвязей между химической структурой и электрохимическими свойствами, а также для анализа сложных электрохимических данных с целью улучшения калибровки и классификации аналитов, например при создании электронных языков. В заключение рассмотрены перспективы применения машинного обучения и планирования эксперимента в электрохимических сенсорах. Эти хемометрические стратегии ускорят разработку электрохимических устройств и повысят их эффективность, способствуя внедрению диагностики в месте оказания медицинской помощи и коммерциализации устройств.