近日，我院生化传感与芯片团队关于“机器学习协助的可视化尿路感染精准诊断”的最新研究成果发表在分析化学领域知名期刊ACS Sensors（IF=8.9）上，成果题目为“Machine learning-assistant colorimetric sensor arrays for intelligent and rapid diagnosis of urinary tract infection.”，我校为第一通讯单位，青年教师杨健宇博士为第一作者，胡芳馨副教授、杨鸿斌教授、郭春显教授和剑桥大学Luigi G. Occhipinti教授为本文的通讯作者。

尿路感染是常见的传染病，可导致肾盂肾炎、尿毒症甚至死亡。尿路感染的传统诊断策略如尿液培养和流式细胞仪，成本高且需要专业人员操作，阻碍了其居家应用。针对上述问题，本工作设计和构建一种新型单原子纳米酶-比色阵列传感器，借助机器学习算法实现了健康人群、细菌性尿路感染和真菌性尿路感染的分型诊断。通过分子修饰，可实现对尿路中目标微生物的精准分类。利用支持向量机、决策树算法构建数学诊断模型，该策略对临床样本的诊断准确率可达到97%，在临床诊断和居家诊断上具有应用潜力。该工作获得了国家重点研发计划课题（2021YFA0910403）、国家自然科学基金（22075195、21705115）等支持。