KR20240042871A - 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 - Google Patents
딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 Download PDFInfo
- Publication number
- KR20240042871A KR20240042871A KR1020220121672A KR20220121672A KR20240042871A KR 20240042871 A KR20240042871 A KR 20240042871A KR 1020220121672 A KR1020220121672 A KR 1020220121672A KR 20220121672 A KR20220121672 A KR 20220121672A KR 20240042871 A KR20240042871 A KR 20240042871A
- Authority
- KR
- South Korea
- Prior art keywords
- sers substrate
- self
- sam
- assembled monolayer
- disease
- Prior art date
Links
- 239000013545 self-assembled monolayer Substances 0.000 title claims abstract description 137
- 239000000758 substrate Substances 0.000 title claims abstract description 128
- 239000002094 self assembled monolayer Substances 0.000 title claims abstract description 125
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 claims abstract description 140
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 38
- 239000002207 metabolite Substances 0.000 claims abstract description 35
- 239000010410 layer Substances 0.000 claims abstract description 32
- 239000002070 nanowire Substances 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000007639 printing Methods 0.000 claims abstract description 9
- 239000010931 gold Substances 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 20
- 229920003229 poly(methyl methacrylate) Polymers 0.000 claims description 17
- 239000004926 polymethyl methacrylate Substances 0.000 claims description 17
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 claims description 13
- 238000010023 transfer printing Methods 0.000 claims description 12
- 150000001732 carboxylic acid derivatives Chemical class 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 11
- SUVIGLJNEAMWEG-UHFFFAOYSA-N propane-1-thiol Chemical compound CCCS SUVIGLJNEAMWEG-UHFFFAOYSA-N 0.000 claims description 10
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 125000003368 amide group Chemical group 0.000 claims description 8
- 229910052737 gold Inorganic materials 0.000 claims description 7
- 239000012528 membrane Substances 0.000 claims description 7
- PIICEJLVQHRZGT-UHFFFAOYSA-N Ethylenediamine Chemical compound NCCN PIICEJLVQHRZGT-UHFFFAOYSA-N 0.000 claims description 5
- 150000001412 amines Chemical class 0.000 claims description 5
- 125000002843 carboxylic acid group Chemical group 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 125000003396 thiol group Chemical group [H]S* 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 34
- 239000010409 thin film Substances 0.000 description 19
- 239000000243 solution Substances 0.000 description 14
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 239000010408 film Substances 0.000 description 9
- 229920000642 polymer Polymers 0.000 description 8
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 7
- 239000012491 analyte Substances 0.000 description 7
- 239000011248 coating agent Substances 0.000 description 7
- 238000000576 coating method Methods 0.000 description 7
- 229960000304 folic acid Drugs 0.000 description 7
- 235000019152 folic acid Nutrition 0.000 description 7
- 239000011724 folic acid Substances 0.000 description 7
- 239000002086 nanomaterial Substances 0.000 description 7
- YMZMTOFQCVHHFB-UHFFFAOYSA-N 5-carboxytetramethylrhodamine Chemical compound C=12C=CC(N(C)C)=CC2=[O+]C2=CC(N(C)C)=CC=C2C=1C1=CC=C(C(O)=O)C=C1C([O-])=O YMZMTOFQCVHHFB-UHFFFAOYSA-N 0.000 description 6
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 6
- 239000002313 adhesive film Substances 0.000 description 6
- 238000011898 label-free detection Methods 0.000 description 6
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000001878 scanning electron micrograph Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001237 Raman spectrum Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 125000003929 folic acid group Chemical group 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001020 plasma etching Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000003917 TEM image Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000008499 blood brain barrier function Effects 0.000 description 2
- 210000001218 blood-brain barrier Anatomy 0.000 description 2
- 210000004958 brain cell Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009832 plasma treatment Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 150000003384 small molecules Chemical class 0.000 description 2
- MTCFGRXMJLQNBG-REOHCLBHSA-N (2S)-2-Amino-3-hydroxypropansäure Chemical compound OC[C@H](N)C(O)=O MTCFGRXMJLQNBG-REOHCLBHSA-N 0.000 description 1
- AFENDNXGAFYKQO-VKHMYHEASA-N (S)-2-hydroxybutyric acid Chemical compound CC[C@H](O)C(O)=O AFENDNXGAFYKQO-VKHMYHEASA-N 0.000 description 1
- CBCKQZAAMUWICA-UHFFFAOYSA-N 1,4-phenylenediamine Chemical group NC1=CC=C(N)C=C1 CBCKQZAAMUWICA-UHFFFAOYSA-N 0.000 description 1
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- RBNPOMFGQQGHHO-UWTATZPHSA-N D-glyceric acid Chemical compound OC[C@@H](O)C(O)=O RBNPOMFGQQGHHO-UWTATZPHSA-N 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- SQVRNKJHWKZAKO-LUWBGTNYSA-N N-acetylneuraminic acid Chemical compound CC(=O)N[C@@H]1[C@@H](O)CC(O)(C(O)=O)O[C@H]1[C@H](O)[C@H](O)CO SQVRNKJHWKZAKO-LUWBGTNYSA-N 0.000 description 1
- 238000003841 Raman measurement Methods 0.000 description 1
- MTCFGRXMJLQNBG-UHFFFAOYSA-N Serine Natural products OCC(N)C(O)=O MTCFGRXMJLQNBG-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 229920001400 block copolymer Polymers 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000008204 material by function Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 210000003470 mitochondria Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 239000003642 reactive oxygen metabolite Substances 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001338 self-assembly Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 150000003408 sphingolipids Chemical class 0.000 description 1
- 238000004528 spin coating Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 239000010414 supernatant solution Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82B—NANOSTRUCTURES FORMED BY MANIPULATION OF INDIVIDUAL ATOMS, MOLECULES, OR LIMITED COLLECTIONS OF ATOMS OR MOLECULES AS DISCRETE UNITS; MANUFACTURE OR TREATMENT THEREOF
- B82B1/00—Nanostructures formed by manipulation of individual atoms or molecules, or limited collections of atoms or molecules as discrete units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82B—NANOSTRUCTURES FORMED BY MANIPULATION OF INDIVIDUAL ATOMS, MOLECULES, OR LIMITED COLLECTIONS OF ATOMS OR MOLECULES AS DISCRETE UNITS; MANUFACTURE OR TREATMENT THEREOF
- B82B1/00—Nanostructures formed by manipulation of individual atoms or molecules, or limited collections of atoms or molecules as discrete units
- B82B1/008—Nanostructures not provided for in groups B82B1/001 - B82B1/007
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82B—NANOSTRUCTURES FORMED BY MANIPULATION OF INDIVIDUAL ATOMS, MOLECULES, OR LIMITED COLLECTIONS OF ATOMS OR MOLECULES AS DISCRETE UNITS; MANUFACTURE OR TREATMENT THEREOF
- B82B3/00—Manufacture or treatment of nanostructures by manipulation of individual atoms or molecules, or limited collections of atoms or molecules as discrete units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82B—NANOSTRUCTURES FORMED BY MANIPULATION OF INDIVIDUAL ATOMS, MOLECULES, OR LIMITED COLLECTIONS OF ATOMS OR MOLECULES AS DISCRETE UNITS; MANUFACTURE OR TREATMENT THEREOF
- B82B3/00—Manufacture or treatment of nanostructures by manipulation of individual atoms or molecules, or limited collections of atoms or molecules as discrete units
- B82B3/0009—Forming specific nanostructures
- B82B3/0038—Manufacturing processes for forming specific nanostructures not provided for in groups B82B3/0014 - B82B3/0033
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Nanotechnology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 SERS 기판이 제시된다. 일 실시예에 따른 컴퓨터 장치에 의해 수행되는 딥러닝 및 자기조립단층막(Self-Assembled Monolayer, SAM) 기반 알츠하이머병 진단 방법은, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 3차원 SERS(Surface-Enhanced Raman Scattering) 기판을 준비하는 단계; 상기 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성하는 단계; 및 표면에 상기 자기조립단층막(SAM)을 갖는 상기 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하는 단계를 포함하여 이루어질 수 있다.
Description
아래의 실시예들은 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 SERS 기판에 관한 것이다.
표면 강화 라만 산란(Surface-Enhanced Raman Scattering, SERS)은 분자 고유의 Raman 신호를 측정하며 플라즈모닉 나노구조체를 활용한 광학적 증폭에 의하여 우수한 민감도와 신속성, 포터블 측정 기기를 이용한 휴대성 및 비파괴성 등의 장점을 두루 제공한다.
SERS를 이용한 생체의학 진단에서의 SERS는 특정 생체분자의 무표지 검출과 세포 또는 체액에 섞인 생체분자들의 신호 분석을 포함한 다양한 방법으로 시도되어 왔다. 주로 단백질, DNA와 같은 주요 생체분자를 targeted 또는 untargeted label-free detection(무표지 검출)로 나뉜다고 볼 수 있다. SERS의 무표지 검출은 기존 ELISA와 PCR과 같은 분석 방법에 비해 높은 감도과 특이성, 그리고 그로 인한 빠른 검출 속도와 편리성을 장점으로 가지고 있다.
현재 알츠하이머병을 진단하는 방법으로 크게 Amyloid 양전자 단층촬영(Amyloid-PET)와 뇌척수액 검사가 있다. 이러한 검사는 정확도가 높다는 장점이 있지만, Amyloid-PET의 경우 매우 고가이고 뇌척수액 검사의 경우 침습적이라는 단점이 있다. 또한, 두 방법 모두 검사를 받기까지 환자는 많은 시간을 병원에서 소모해야 한다. 따라서 혈액을 이용하여 조금 더 용이하게 알츠하이머병을 진단하는 방법에 대한 연구가 활발하게 이루어지고 있고, 이의 일환으로 혈장 단백질과 대사체의 바이오마커로서의 가능성이 타진되고 있다.
뇌 세포에 존재하는 미토콘드리아의 대사 과정 중에서 잉여 활성 산소(reactive oxygen species)가 발생하고, 이 물질이 뇌 세포에 존재하는 구성물질에 해를 입히면서(세포 기능 장애 또는 세포사를 일으켜) 알츠하이머병이 발병된다는 이론이(최근 몇 년 전) 제시되었다. 대사체란 이러한 대사 과정 중에 발생하는 모든 종류의 부산물을 일컫는 말이다. 현재 많은 질병들이 대사과정과의 연관성이 밝혀지는 중이고 이에 따라 대사체를 이용한 조기 진단이 시도되고 있다.
한국공개특허 10-2017-0032093호는 이러한 나노전사 프린팅 방법 및 이를 이용하여 제작되는 SERS 기판, SERS 바이얼 및 SERS 패치에 관한 기술을 기재하고 있다.
실시예들은 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 SERS 기판에 관하여 기술하며, 보다 구체적으로 자기조립단층막(SAM)이 형성된 3D SERS 기판을 이용해 혈장 대사체의 무표지 검출을 시행하고, 딥러닝을 이용하여 알츠하이머병 환자와 정상인의 샘플 신호를 분류하는 기술을 제공한다.
실시예들은 3차원 SERS 기판 위에 다양한 자기조립단층막(SAM)을 형성시키고, 그 위에 혈장 대사체(plasma metabolites)를 도포하여 증폭된 Raman 신호(SERS 신호)를 측정함으로써, 딥러닝을 이용하여 알츠하이머병 환자와 정상인의 샘플 신호를 분류할 수 있는 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 SERS 기판을 제공하는데 있다.
일 실시예에 따른 컴퓨터 장치에 의해 수행되는 딥러닝 및 자기조립단층막(Self-Assembled Monolayer, SAM) 기반 알츠하이머병 진단 방법은, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 3차원 SERS(Surface-Enhanced Raman Scattering) 기판을 준비하는 단계; 상기 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성하는 단계; 및 표면에 상기 자기조립단층막(SAM)을 갖는 상기 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하는 단계를 포함하여 이루어질 수 있다.
획득된 상기 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단하는 단계를 더 포함할 수 있다.
상기 3차원 SERS 기판을 준비하는 단계는, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 교차 적층하여 금(Au) 기반 3차원 SERS 기판을 제조할 수 있다.
상기 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성하는 단계는, 상기 3차원 SERS 기판 위 각각 서로 다른 복수개의 상기 자기조립단층막(SAM)을 형성할 수 있다.
다른 실시예에 따른 딥러닝 및 자기조립단층막(Self-Assembled Monolayer, SAM) 기반 알츠하이머병 진단을 위한 SERS(Surface-Enhanced Raman Scattering) 기판은, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 형성된 3차원 SERS 기판; 및 상기 3차원 SERS 기판 상에 형성된 자기조립단층막(SAM)을 포함하고, 상기 자기조립단층막(SAM)을 갖는 상기 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하고, 획득된 상기 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단할 수 있다.
상기 3차원 SERS 기판은, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 교차 적층하여 형성된 금(Au) 기반 3차원 SERS 기판일 수 있다.
상기 자기조립단층막(SAM)은, 상기 3차원 SERS 기판의 제조 공정 과정의 잔여물로 전사된 나노와이어 표면에 남는 PMMA(poly methyl methacrylate)일 수 있다.
상기 자기조립단층막(SAM)은, Au와 1-propanethiol의 thiol기가 결합하여 형성된 methyl group(-CH3)일 수 있다.
상기 자기조립단층막(SAM)은, 상기 3차원 SERS 기판의 표면을 O2 플라즈마 처리를 하여 생성된 Carboxylic acid group일 수 있다.
상기 자기조립단층막(SAM)은, Carboxylic acid 막과 ethylenediamine의 아민 커플링(amine coupling)을 통해 형성된 Amide group일 수 있다.
실시예들에 따르면 3차원 SERS 기판 위에 다양한 자기조립단층막(SAM)을 형성시키고, 그 위에 혈장 대사체(plasma metabolites)를 도포하여 증폭된 Raman 신호(SERS 신호)를 측정함으로써, 딥러닝을 이용하여 알츠하이머병 환자와 정상인의 샘플 신호를 분류할 수 있는 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 SERS 기판을 제공할 수 있다.
도 1은 일 실시예에 따른 SERS 구조체를 이용한 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단을 위한 SERS 기판의 제조 방법을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단을 위한 SERS 기판의 SEM 이미지를 나타내는 도면이다.
도 4는 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 SERS 기판의 국부적인 표면 플라즈몬 공명(LSPR)을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 SERS 기판의 TEM 이미지를 나타내는 도면이다.
도 7은 일 실시예에 따른 SAM-SERS 기판의 공정을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 SAM-SERS 기판의 접촉각을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 SAM-SERS 기판의 Raman 스펙트라를 나타내는 도면이다.
도 10은 일 실시예에 따른 5-TAMRA의 구조를 나타내는 도면이다.
도 11은 일 실시예에 따른 SAM-SERS 기판 위 5-TAMRA 신호를 나타내는 도면이다.
도 12는 일 실시예에 따른 p-PDA의 구조를 나타내는 도면이다.
도 13은 일 실시예에 따른 SAM-SERS 기판 위 p-PDA 신호를 나타내는 도면이다.
도 14는 일 실시예에 따른 Folic Acid의 구조를 나타내는 도면이다.
도 15는 일 실시예에 따른 SAM-SERS 기판 위 Folic Acid 신호를 나타내는 도면이다.
도 16은 일 실시예에 따른 대사체 추출 및 라만 신호 측정을 설명하기 위한 도면이다.
도 17은 일 실시예에 따른 대사체 용액 신호 분석 결과를 설명하기 위한 도면이다.
도 18은 일 실시예에 따른 SAM 코팅 종류별로 AD와 HC를 구분한 대사체 용액 신호 분석 결과를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단을 위한 SERS 기판의 제조 방법을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단을 위한 SERS 기판의 SEM 이미지를 나타내는 도면이다.
도 4는 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 SERS 기판의 국부적인 표면 플라즈몬 공명(LSPR)을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 SERS 기판의 TEM 이미지를 나타내는 도면이다.
도 7은 일 실시예에 따른 SAM-SERS 기판의 공정을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 SAM-SERS 기판의 접촉각을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 SAM-SERS 기판의 Raman 스펙트라를 나타내는 도면이다.
도 10은 일 실시예에 따른 5-TAMRA의 구조를 나타내는 도면이다.
도 11은 일 실시예에 따른 SAM-SERS 기판 위 5-TAMRA 신호를 나타내는 도면이다.
도 12는 일 실시예에 따른 p-PDA의 구조를 나타내는 도면이다.
도 13은 일 실시예에 따른 SAM-SERS 기판 위 p-PDA 신호를 나타내는 도면이다.
도 14는 일 실시예에 따른 Folic Acid의 구조를 나타내는 도면이다.
도 15는 일 실시예에 따른 SAM-SERS 기판 위 Folic Acid 신호를 나타내는 도면이다.
도 16은 일 실시예에 따른 대사체 추출 및 라만 신호 측정을 설명하기 위한 도면이다.
도 17은 일 실시예에 따른 대사체 용액 신호 분석 결과를 설명하기 위한 도면이다.
도 18은 일 실시예에 따른 SAM 코팅 종류별로 AD와 HC를 구분한 대사체 용액 신호 분석 결과를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 일 실시예에 따른 SERS 구조체를 이용한 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법을 설명하기 위한 도면이다.
대사체는 일반적으로 작은 분자이므로 혈액 뇌 장벽을 통과할 수 있다. 예를 들어, 1,500Da 미만의 소분자, 150,000개 이상의 대사체, 알츠하이머 병과 관련된 대사체 등은 혈액 뇌 장벽을 통과할 수 있다. 여기서, 알츠하이머 병과 관련된 대사체는 Glycerate, Serine, N-Acetylneuraminate, Sphingolipid, 2-Hydroxybutyrate 등이 있다.
일 실시예에 따른 SERS 구조체를 이용한 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법은 다양한 SAM SERS 기질을 사용하여 다양한 라만 스펙트럼을 얻을 수 있다. 그리고 미세한 차이도 구분할 수 있도록 고차원 딥러닝 분석이 가능하다.
도 1을 참조하면, 일 실시예에 따른 SERS 구조체를 이용한 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법은 3차원 SERS 기판 위에 다양한 자기조립단층막(Self-Assembled Monolayer, SAM)(예컨대, SAM W, SAM X, SAM Y, SAM Z(110))을 형성시키고, 그 위에 혈장 대사체(plasma metabolites)(120)를 도포하여 증폭된 Raman 신호(SERS 신호)를 측정(130)할 수 있다.
동일한 분석 물질이라도 기판의 자기조립단층막(SAM) 층이 다르면 분석 물질과 자기조립단층막(SAM) 간의 쌍극자 상호작용(dipole interaction) 차이가 발생할 것이고, 이러한 차이는 곧 분석 물질과 국부적인 표면 플라즈몬 공명(Localized Surface Plasmon Resonance, LSPR) 간의 간격과 방향성에 변화를 주어 다양한 Raman 신호를 만들어 낸다. 이러한 다양성이 궁극적으로 머신러닝(machine learning)(140)을 수행함에 있어서 다차원의 분석이 가능하게 되어 신호 분류의 정확도를 올려줄 수 있다.
이와 같이 자기조립단층막(SAM)이 형성된 3D SERS 구조체를 이용해 혈장 대사체의 무표지 검출을 시행하고, 딥러닝을 이용하여 알츠하이머병 환자와 정상인의 샘플 신호를 분류할 수 있다.
도 2는 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단을 위한 SERS 기판의 제조 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 나노전사 프린팅 기술(nTP)을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아서(교차 적층) 금 기반 3D 플라즈모닉 SERS 구조체 기판을 제작할 수 있다.
마스터 몰드(master mold)(201)에서 적어도 일부를 선택해 PMMA 복제(replication)(210)를 할 수 있다. 복제된 PMMA 기판(210)에 앵글 증착(angle deposition)(220)을 통해 금 나노와이어(Au nanowires)(230)를 형성할 수 있다. 그리고, 전사 프린팅(transfer printing, TP)(231)을 통해 금 나노와이어 배열(240)을 형성할 수 있으며, 반복적인 전사 프린팅을 통해 3D SERS 기판(250)을 형성할 수 있다.
예를 들어, SERS 기판은 표면 패턴이 형성된 템플릿 기판 상에 고분자 박막을 코팅하는 단계, 고분자 박막 및 접착 필름을 이용하여 고분자 박막을 복제 박막 몰드로 제작하는 단계, 복제 박막 몰드 상에 나노구조체를 형성하는 단계, 접착 필름과 복제 박막 몰드간 접착력을 선택적으로 약화시키는 단계; 및 나노구조체를 대상 물체에 전사하는 단계를 포함하여 제조될 수 있다.
보다 구체적으로, 첫 번째 공정은 표면 패턴이 형성된 템플릿 기판 상에 고분자 박막을 코팅하고, 고분자 박막 및 접착 필름을 이용하여 고분자 박막을 복제 박막 몰드로 제작한 후, 복제 박막 몰드 상에 나노구조체를 형성할 수 있다. 이 때, 템플릿 기판에는 포토리소그래피(photolithography), 블록 공중합체 자기 조립 기반 리소그래피 또는 Ebeam 리소그래피 중 적어도 어느 하나를 포함하는 패터닝 공정 및 RIE(reactive ion etching) 공정을 이용하여 요철 형태의 표면 패턴이 형성될 수 있다.
그리고, 스핀 코팅(spin coating), 딥 코팅(deep coating) 또는 스프레이 코팅(spray coating) 중 적어도 어느 하나의 공정을 이용하여 템플릿 기판 상에 고분자 박막을 도포함으로써, 고분자 박막을 코팅할 수 있다. 특히, 기울임 증착법을 이용하여 기능성 물질을 복제 박막 몰드 상에 증착함으로써, 나노구조체를 형성할 수 있다.
이와 같은 첫 번째 공정이 완료되면, 접착 필름과 복제 박막 몰드간 접착력을 선택적으로 약화시킨 후, 나노구조체를 대상 물체에 전사하는 두 번째 공정을 수행한다. 이 때, 계면 사이 분리 에너지를 감소시키기 위하여, 유기 용매 증기를 접착 필름과 복제 박막 몰드 사이에 주입함으로써, 접착 필름과 복제 박막 몰드간 접착력을 선택적으로 약화시킬 수 있다.
이와 같이, Au 등 금속 물질의 나노구조체가 형성되고 대상 물체에 나노전사 프린팅됨으로써, 물질의 성분 분석을 위하여 활용되는 SERS 기판이 제작될 수 있다. 한편, SERS 기판은 한국공개특허 10-2017-0032093호에 기재된 나노전사 프린팅 방법 및 이를 이용하여 제작되는 SERS 기판, SERS 바이얼 및 SERS 패치를 포함할 수 있다.
도 3은 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단을 위한 SERS 기판의 SEM 이미지를 나타내는 도면이다.
도 3의 (a)를 참조하면, 일 실시예에 따른 마스터 몰드(master mold)의 SEM 이미지를 나타내며, 도 3의 (b)를 참조하면, 일 실시예에 따른 3D SERS 기판의 SEM 이미지를 나타낸다.
도 4는 일 실시예에 따른 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법을 나타내는 흐름도이다.
도 4를 참조하면, 일 실시예에 따른 컴퓨터 장치에 의해 수행되는 딥러닝 및 자기조립단층막(Self-Assembled Monolayer, SAM) 기반 알츠하이머병 진단 방법은, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 3차원 SERS(Surface-Enhanced Raman Scattering) 기판을 준비하는 단계(S110), 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성하는 단계(S120), 및 표면에 자기조립단층막(SAM)을 갖는 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하는 단계(S130)를 포함하여 이루어질 수 있다.
또한, 획득된 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단하는 단계(S140)를 더 포함할 수 있다.
아래에서 일 실시예에 따른 딥러닝 및 자기조립단층막(SAM) 기반 알츠하이머병 진단 방법을 보다 구체적으로 설명한다.
단계(S110)에서, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 3차원 SERS 기판을 준비할 수 있다. 이 때, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 교차 적층하여 금(Au) 기반 3차원 SERS 기판을 제조할 수 있다.
단계(S120)에서, 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성할 수 있다. 여기서, 3차원 SERS 기판 위 각각 서로 다른 복수개의 자기조립단층막(SAM)을 형성할 수 있다.
자기조립단층막(SAM)은 3차원 SERS 기판의 제조 공정 과정의 잔여물로 전사된 나노와이어 표면에 남는 PMMA(poly methyl methacrylate)일 수 있다.
또한, 자기조립단층막(SAM)은 Au와 1-propanethiol의 thiol기가 결합하여 형성된 methyl group(-CH3)일 수 있다.
또한, 자기조립단층막(SAM)은 3차원 SERS 기판의 표면을 O2 플라즈마 처리를 하여 생성된 Carboxylic acid group일 수 있다.
또한, 자기조립단층막(SAM)은 Carboxylic acid 막과 ethylenediamine의 아민 커플링(amine coupling)을 통해 형성된 Amide group일 수 있다.
단계(S130)에서, 표면에 자기조립단층막(SAM)을 갖는 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득할 수 있다.
일 실시예에 따른 SERS 기판을 이용한 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법은 혈장 성분에서 대사체(metabolite)를 추출한다. 예를 들어, 100μL의 혈장과 methanol과 ethanol이 8:2로 혼합된 용액을 섞고 원심분리하여 그 상층액을 추출할 수 있다.
단계(S140)에서, 획득된 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단할 수 있다.
일 실시예에 따른 SERS 기판을 이용한 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법은 Raman 신호를 획득할 수 있다. 이 때, 표면에 다양한 functional group을 갖는 3D SERS 기판 위에 대사체 용액을 떨어뜨리고 785nm 여기 laser를 활용하여 Raman 신호를 확보할 수 있다. 그리고, 획득된 Raman 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단할 수 있다.
이와 같이, 실시예들은 기존의 진단 방식과 달리 혈액을 이용하며, Raman을 활용하여 알츠하이머 조기 진단이 가능하다. 특히, 실시예들은 머신러닝(Machine Learning)을 활용하여 그 정확도를 획기적으로 높일 수 있다.
일 실시예에 따른 딥러닝 및 자기조립단층막(SAM) 기반 알츠하이머병 진단을 위한 SERS 기판은, 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 형성된 3차원 SERS 기판, 및 3차원 SERS 기판 상에 형성된 자기조립단층막(SAM)을 포함하고, 자기조립단층막(SAM)을 갖는 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하고, 획득된 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단할 수 있다.
여기서, 3차원 SERS 기판은 나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 교차 적층하여 형성된 금(Au) 기반 3차원 SERS 기판일 수 있다.
또한, 자기조립단층막(SAM)은 3차원 SERS 기판 위 각각 서로 다른 복수개의 자기조립단층막(SAM)을 형성할 수 있다.
실시예들은 자기조립단층막(SAM)이 형성된 3D SERS 기판을 이용해 혈장 대사체의 무표지 검출을 시행하고, 딥러닝을 이용하여 알츠하이머병 환자와 정상인의 샘플 신호를 분류할 수 있다.
도 5는 일 실시예에 따른 SERS 기판의 국부적인 표면 플라즈몬 공명(LSPR)을 설명하기 위한 도면이다.
도 5에 도시된 바와 같이, 나노와이어 층이 교차 적층되어 형성된 3D SERS 기판(510)은 입사광의 편광 방향에 관계 없이 나노와이어 주위로 국부적인 표면 플라즈몬 공명(LSPR)이 형성된다. 또한, 3D SERS 기판(510)은 수평 방향과 수직 방향의 틈은 국부적인 표면 플라즈몬 공명(LSPR)이 겹치는 영역인 핫스팟(hot spot)을 만들어서 분석물의 Raman 신호를 더욱 증폭시킬 수 있다.
도 6은 일 실시예에 따른 SERS 기판의 TEM 이미지를 나타내는 도면이다.
도 6에 도시된 바와 같이, Si 웨이퍼(Si wafer) 위에 Au 박막(Au thin film)이 형성되고, 제1 Au 층(1st Au layer)과 제2 Au 층(2nd Au layer)이 형성될 수 있다. 나노와이어 층이 교차 적층되어 형성된 3D SERS 기판은 수평 방향과 수직 방향의 틈은 국부적인 표면 플라즈몬 공명(LSPR)이 겹치는 영역인 핫스팟(hot spot)을 만들어서 분석 물질의 Raman 신호를 더욱 증폭시킬 수 있다. 예를 들어, 제2 Au 층 간에 수평 방향의 틈이 형성되고, Au 박막과 제1 Au 층 사이 또는 제1 Au 층과 제2 Au 층 사이에는 수직 방향의 틈이 형성될 수 있다.
도 7은 일 실시예에 따른 SAM-SERS 기판의 공정을 설명하기 위한 도면이다.
도 7을 참조하면, 일 실시예에 따른 SAM-SERS 기판의 공정을 통해 3차원 SERS 기판 위 총 4가지 다른 SAM 층(layer)을 형성한다. 여기서, 4가지 SAM-SERS 기판은 PMMA, Methyl group, Carboxylic acid 및 Amdie group이다.
PMMA: 전사된 나노와이어 표면에는 공정 과정의 잔여물로 poly methyl methacrylate(PMMA)이 남는다. 즉, PMMA는 특별한 처리 없이 SERS 기판의 제조시에 표면에 생성되는 native PMMA layer를 활용할 수 있다.
Methyl group: Au와 1-propanethiol의 thiol기가 결합하여 methyl group(-CH3) 형성된다. 즉, Methyl group는 1-propanethiol 한쪽 끝에 있는 thiol group을 SERS 기판의 표면과 반응시켜서 부착할 수 있다.
Carboxylic Acid: PMMA막에 (반응성 이온식각 장비를 이용하여) O2 플라즈마를 쐬어 carboxylic acid 표면으로 변형된다. 즉, Carboxylic Acid는 SERS 기판의 표면을 O2 plasma 처리를 하여 Carboxylic acid group를 생성할 수 있다.
Amide group: carboxylic acid 막과 ethylenediamine의 amine coupling을 통해 amide group 형성된다. 즉, Amide group은 Ethylenediamine을 carboxylic acid group이 형성된 SERS 기판과 amine coupling 반응으로 부착할 수 있다.
도 8은 일 실시예에 따른 SAM-SERS 기판의 접촉각을 설명하기 위한 도면이다.
도 8을 참조하면, SAM 층이 형성된 SERS 기판의 접촉각(contact angle)은 종류별로 다르게 측정되었다(24 ~ 110). 예를 들어, Methyl은 110이고, PMMA은 68이며, Amdie는 35이고, Carboxylic acid는 24이다.
도 9는 일 실시예에 따른 SAM-SERS 기판의 Raman 스펙트라를 나타내는 도면이다.
도 9를 참조하면, SERS 기판 위 SAM 층의 라만 신호를 측정했을 때 SAM의 신호는 크게 관찰되지 않아 분석 물질과의 신호 간섭을 우려할 필요가 없음을 알 수 있다.
도 10은 일 실시예에 따른 5-TAMRA의 구조를 나타내는 도면이고, 도 11은 일 실시예에 따른 SAM-SERS 기판 위 5-TAMRA 신호를 나타내는 도면이다.
도 10 및 도 11을 참조하면, SAM-SERS 기판 위 5-TAMRA(5-Carboxytetramethylrhodamine) 신호를 확인할 수 있다. 특정 분석 물질은 SAM 층(layer)의 종류별로 다른 쌍극자 상호작용을 가진다. 이로 인해 분석 물질과 3D SERS 기판 사이 다른 방향성과 간격이 형성되어 라만 신호의 변화가 일어난다. 복합적으로 여러 대사체를 분석하기 전에 단일 물질로 SAM 층에 따른 라만 신호 변화를 관찰한다.
도 12는 일 실시예에 따른 p-PDA의 구조를 나타내는 도면이고, 도 13은 일 실시예에 따른 SAM-SERS 기판 위 p-PDA 신호를 나타내는 도면이다.
도 12 및 도 13을 참조하면, SAM-SERS 기판 위 p-PDA(p-Phenylenediamine) 신호를 확인할 수 있다. p-PDA는 상대적으로 간단한 분자 구조를 가지고 있지만, SAM 코팅 종류별로 큰 라만 신호 변화를 보인다.
도 14는 일 실시예에 따른 Folic Acid의 구조를 나타내는 도면이고, 도 15는 일 실시예에 따른 SAM-SERS 기판 위 Folic Acid 신호를 나타내는 도면이다.
도 14 및 도 15를 참조하면, SAM-SERS 기판 위 Folic Acid 신호를 확인할 수 있다. Folic Acid는 Raman cross section이 비교적 큰 단일 물질이다. SAM의 종류별로 다른 양상의 SERS 신호가 나온다. 특히, amide group에서 형광 배경 신호가 줄어드는 것을 확인할 수 있다.
이와 같이, folic acid 등 비교적 Raman cross section이 큰 단일 물질을 이용하여, 서로 다른 SAM-SERS 기판에서, 그 양상이 조금씩 다른 Raman 신호가 나오는 것을 확인할 수 있다.
도 16은 일 실시예에 따른 대사체 추출 및 라만 신호 측정을 설명하기 위한 도면이다.
도 16을 참조하면, 일 실시예에 따른 대사체 추출 및 라만 신호 측정 실험을 수행할 수 있다. 여기에서는 정상인 통제집단(healthy control, HC)과 알츠하이머병 환자(Alzheimer’s disease, AD)의 혈장 샘플을 각각 20명씩 획득하였다. 혈장 샘플을 메탄올(methanol)/에탄올(ethanol) 혼합액에 섞었을 때 단백질 침전물과(대사체가 포함된) 상청액 용액으로 원심분리기를 이용해 분리된다. 대사체 용액을 4가지 SAM-SERS 기판에 떨어뜨린 후 샘플 당 20회씩 라만 측정을 한다. 여기서, 4가지 SAM-SERS 기판은 PMMA, Methyl group, Carboxylic acid 및 Amdie group이다.
도 17은 일 실시예에 따른 대사체 용액 신호 분석 결과를 설명하기 위한 도면이다.
도 17을 참조하면, 일 실시예에 따른 대사체 용액 신호 분석 결과, 정상인 통제집단(healthy control, HC)과 알츠하이머병 환자(Alzheimer’s disease, AD)의 라만 신호는 육안으로 구분을 할 수 없다. 또한, 주성분 분석(principal component analysis, PCA) 공간 그래프를 살펴봤을 때 뚜렷한 HC 또는 AC 점들 간의 군집을 찾기 힘들어 PCA 분석을 통한 분류도 어렵다.
여기서 SAM 종류와 관계 없이 딥러닝을 이용하여 HC와 AC의 신호를 분류했을 때 87% 민감도(sensitivity)와 89% 특이도(specificity)가 도출되었다. 이와 같이 딥러닝을 이용했을 때 뚜렷한 분석 성능 향상을 볼 수 있다.
도 18은 일 실시예에 따른 SAM 코팅 종류별로 AD와 HC를 구분한 대사체 용액 신호 분석 결과를 설명하기 위한 도면이다.
도 18을 참조하면, 일 실시예에 따른 SERS 기판의 SAM 코팅 종류별로 AD와 HC를 구분했을 때의 결과를 나타낸다. 전반적으로 더 높은 친수성을 나타내는 기판(더 낮은 접촉각을 가지는)인 amide group과 carboxylic acid가 코팅된 기판에서 더 높은 성능을 보인다. 높은 표면 에너지(surface energy)로 인한 대사체 용액의 깊이 방향으로의 침투나 수평 방향으로의 퍼짐이 혼합물 분석에서 유리하게 작용한다.
이상과 같이, 실시예들에 따르면 3차원 SERS 기판 위에 다양한 자기조립단층막(SAM)을 형성시키고, 그 위에 혈장 대사체(plasma metabolites)를 도포하여 증폭된 Raman 신호(SERS 신호)를 측정함으로써, 딥러닝을 이용하여 알츠하이머병 환자와 정상인의 샘플 신호를 분류할 수 있다. 특히, 실시예들에 따르면 딥러닝을 이용함으로써 육안으로 구분하기 힘든 정상인 통제집단(healthy control, HC)과 알츠하이머병 환자(Alzheimer’s disease, AD)의 라만 신호를 구분할 수 있으며, 뚜렷한 분석이 가능하다.
이를 통해 SERS 및 Machine Learning을 활용하여 알츠하이머 조기 진단이 가능하다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 컴퓨터 장치에 의해 수행되는 딥러닝 및 자기조립단층막(Self-Assembled Monolayer, SAM) 기반 알츠하이머병 진단 방법에 있어서,
나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 3차원 SERS(Surface-Enhanced Raman Scattering) 기판을 준비하는 단계;
상기 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성하는 단계; 및
표면에 상기 자기조립단층막(SAM)을 갖는 상기 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하는 단계
를 포함하는, 알츠하이머병 진단 방법. - 제1항에 있어서,
획득된 상기 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단하는 단계
를 더 포함하는, 알츠하이머병 진단 방법. - 제1항에 있어서,
상기 3차원 SERS 기판을 준비하는 단계는,
나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 교차 적층하여 금(Au) 기반 3차원 SERS 기판을 제조하는 것
을 특징으로 하는, 알츠하이머병 진단 방법. - 제1항에 있어서,
상기 3차원 SERS 기판 상에 자기조립단층막(SAM)을 형성하는 단계는,
상기 3차원 SERS 기판 위 각각 서로 다른 복수개의 상기 자기조립단층막(SAM)을 형성하는 것
을 특징으로 하는, 알츠하이머병 진단 방법. - 딥러닝 및 자기조립단층막(Self-Assembled Monolayer, SAM) 기반 알츠하이머병 진단을 위한 SERS(Surface-Enhanced Raman Scattering) 기판에 있어서,
나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 연속적으로 쌓아 형성된 3차원 SERS 기판; 및
상기 3차원 SERS 기판 상에 형성된 자기조립단층막(SAM)
을 포함하고,
상기 자기조립단층막(SAM)을 갖는 상기 3차원 SERS 기판 위에 대사체 용액을 도포하여 라만(Raman) 신호를 획득하고, 획득된 상기 라만 신호를 머신러닝 분석으로 분류하여 알츠하이머병을 진단하는 것
를 포함하는, 알츠하이머병 진단을 위한 SERS 기판. - 제5항에 있어서,
상기 3차원 SERS 기판은,
나노전사 프린팅 기술을 이용하여 평행하게 배열된 나노와이어 층을 교차 적층하여 형성된 금(Au) 기반 3차원 SERS 기판인 것
을 특징으로 하는, 알츠하이머병 진단을 위한 SERS 기판. - 제5항에 있어서,
상기 자기조립단층막(SAM)은,
상기 3차원 SERS 기판의 제조 공정 과정의 잔여물로 전사된 나노와이어 표면에 남는 PMMA(poly methyl methacrylate)인 것
을 특징으로 하는, 알츠하이머병 진단을 위한 SERS 기판. - 제5항에 있어서,
상기 자기조립단층막(SAM)은,
Au와 1-propanethiol의 thiol기가 결합하여 형성된 methyl group(-CH3)인 것
을 특징으로 하는, 알츠하이머병 진단을 위한 SERS 기판. - 제5항에 있어서,
상기 자기조립단층막(SAM)은,
상기 3차원 SERS 기판의 표면을 O2 플라즈마 처리를 하여 생성된 Carboxylic acid group인 것
을 특징으로 하는, 알츠하이머병 진단을 위한 SERS 기판. - 제5항에 있어서,
상기 자기조립단층막(SAM)은,
Carboxylic acid 막과 ethylenediamine의 아민 커플링(amine coupling)을 통해 형성된 Amide group인 것
을 특징으로 하는, 알츠하이머병 진단을 위한 SERS 기판.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220121672A KR20240042871A (ko) | 2022-09-26 | 2022-09-26 | 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 |
| EP23790538.5A EP4372759A1 (en) | 2022-09-26 | 2023-09-25 | Deep learning and self-assembled-monolayer-based alzheimer's disease diagnosis method, and sers substrate therefor |
| PCT/KR2023/014700 WO2024071926A1 (ko) | 2022-09-26 | 2023-09-25 | 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220121672A KR20240042871A (ko) | 2022-09-26 | 2022-09-26 | 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240042871A true KR20240042871A (ko) | 2024-04-02 |
Family
ID=88697492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220121672A KR20240042871A (ko) | 2022-09-26 | 2022-09-26 | 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4372759A1 (ko) |
| KR (1) | KR20240042871A (ko) |
| WO (1) | WO2024071926A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170032093A1 (en) | 2012-12-31 | 2017-02-02 | Cerner Innovation, Inc. | Closed loop alert management |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006065762A2 (en) * | 2004-12-13 | 2006-06-22 | University Of South Carolina | Surface enhanced raman spectroscopy using shaped gold nanoparticles |
| KR101761010B1 (ko) | 2015-09-14 | 2017-07-25 | 한국과학기술원 | 나노전사 프린팅 방법 및 이를 이용하여 제작되는 sers 기판, sers 바이얼 및 sers 패치 |
| WO2017200295A1 (ko) * | 2016-05-17 | 2017-11-23 | 충남대학교산학협력단 | 표면증강 라만산란 기판, 이를 포함하는 분자 검출용 소자 및 이의 제조방법 |
| KR102081391B1 (ko) * | 2017-09-22 | 2020-02-25 | 한양대학교 에리카산학협력단 | 이방성 이중금속 나노와이어, 이중금속 나노와이어 내장 폴리머 나노섬유, 이중금속 나노와이어 포함 sers 기판, 이의 제조방법 및 용도 |
| KR102282867B1 (ko) * | 2018-04-06 | 2021-07-27 | 브라스켐 아메리카, 인크. | 품질 관리를 위한 라만 분광법 및 머신 러닝 |
| KR102641570B1 (ko) * | 2019-05-20 | 2024-02-29 | ㈜피코파운드리 | 카르복실산이 기능화된 3차원 sers 기판 |
-
2022
- 2022-09-26 KR KR1020220121672A patent/KR20240042871A/ko unknown
-
2023
- 2023-09-25 WO PCT/KR2023/014700 patent/WO2024071926A1/ko unknown
- 2023-09-25 EP EP23790538.5A patent/EP4372759A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170032093A1 (en) | 2012-12-31 | 2017-02-02 | Cerner Innovation, Inc. | Closed loop alert management |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024071926A1 (ko) | 2024-04-04 |
| EP4372759A1 (en) | 2024-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Surface enhanced Raman scattering artificial nose for high dimensionality fingerprinting | |
| US20230126737A1 (en) | Nanonozzle device arrays: their preparation and use for macromolecular analysis | |
| JP6594528B2 (ja) | 蒸気凝縮液、特に呼気凝縮液を採取し分析する装置及びシステム、並びにそれらの使用方法 | |
| Das et al. | Biosensing using SERS active gold nanostructures | |
| JP4861739B2 (ja) | 磁気センサ、該センサの作製方法、並びに、該センサを用いた標的物質検出装置及びバイオセンサキット | |
| US8815610B2 (en) | Magnetic nanoparticle detection across a membrane | |
| JP6248053B2 (ja) | 電子鼻又は舌センサ | |
| Altintas et al. | A novel magnetic particle-modified electrochemical sensor for immunosensor applications | |
| Zhu et al. | Nanohoneycomb surface-enhanced Raman spectroscopy-active chip for the determination of biomarkers of hepatocellular carcinoma | |
| Constantinou et al. | Label-free sensing with metal nanostructure-based surface-enhanced Raman spectroscopy for cancer diagnosis | |
| Wei et al. | Recent advances in single-cell ultra-trace analysis | |
| US11280784B2 (en) | Patterned plasmonic nanoparticle arrays for multiplexed, microfluidic biosensing assays | |
| Wu et al. | Highly sensitive label-free detection of analytes at different scales using uniform graphene-nanopyramids hybrid SERS system | |
| Jiang et al. | Detection of K562 leukemia cells in different states using a graphene-SERS platform | |
| Lee et al. | Ultrasensitive hypoxia sensing at the single-molecule level via super-resolution quantum dot-linked immunosandwich assay | |
| US11796473B2 (en) | Detection of biomarkers using plasmonic gratings | |
| KR20240042871A (ko) | 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 | |
| Kumar et al. | Recent advances in nano/microfabricated substrate platforms and artificial intelligence for practical surface-enhanced Raman scattering-based bioanalysis | |
| Liu et al. | Rapid quantitative detection of voriconazole in human plasma using surface-enhanced Raman scattering | |
| Jiang et al. | Ultrasensitive and high reproducible detection of urinary metabolites using the tip–contact extraction method coupled with negative LDI-MS | |
| JP4759732B2 (ja) | Ｄｎａの検出方法、ｄｎａ検出用の金属構造体およびｄｎａの検出装置 | |
| JP6309950B2 (ja) | 標的成分を持つ試料流体の処理 | |
| Kim et al. | Surface-functionalized SERS platform for deep learning-assisted diagnosis of Alzheimer's disease | |
| US20110290008A1 (en) | Novel technique for uniformly applying analyte to a structured surface | |
| EP4317951A1 (en) | Dielectrophoresis-based dynamic sers nanoelement for classification and analysis of metabolites |