Бесплатный автореферат и диссертация по биологии на тему

Низкая селективность микробных сенсоров как основа для осуществления анализа многокомпонентных смесей

ВАК РФ 03.00.23, Биотехнология

Содержание диссертации, кандидата химических наук, Лобанов, Алексей Викторович

Список сокращений, используемых в диссертации.

ВЕ1ЕДЕНИЕ.

СШЗОР ЛИТЕРАТУРЫ.

Современная концепция биосенсоров.

Методы обработки данных.

Применение химических сенсоров для анализа многокомпонентных смесей.

Применение биосенсоров для анализа многокомпонентных смесей.

МЕТОДИКА.

Экспериментальная установка.

Штаммы микроорганизмов.

Алгоритм определения концентрации компонентов смеси.

Определение концентрации компонентов смеси при помощи искусственных нейронных сетей.

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ.

Предварительные исследования.

1. Анализ смеси "глюкоза - этанол" при помощи микробного и ферментного сенсоров.

2. Анализ смеси "глюкоза - этанол" двумя микробными сенсорами.

3. Анализ смеси "глюкоза - ксилоза" двумя микробными сенсорами.

4. Идентификация образцов, содержащих глюкозу, ксилозу и этанол при помощи трох микробных сенсоров.

5. Математическое описание калибровочных кривых.

Введение Диссертация по биологии, на тему "Низкая селективность микробных сенсоров как основа для осуществления анализа многокомпонентных смесей"

Детекция различных органических соединений - ростовых субстратов и продуктов ферментации на биотехнологических производствах, углеводов и спиртов в пищевой промышленности и клиническом анализе, а также ксенобиотиков при оценке состояния окружающей среды является важной для практических приложений задачей. Несмотря на то, что определение концентраций субстратов можно производить, используя методы современной аналитической химии (хроматография, масс-спектрометрия, оптические методы анализа и т.п.), интерес к разработке портативных, недорогих и удобных в работе анализаторов, позволяющих осуществлять быструю и точную детекцию органических веществ, по-прежнему высок. Это обусловлено, в первую очередь, сложностью и высокой стоимостью перечисленных типов анализа. В то же время исследования в области биосенсорной детекции открывают широкие возможности для конструирования аналитических систем (биосенсоров), отличающихся невысокой стоимостью. К преимуществам биосенсоров можно отнести малое время ответа, высокую специфичность определения, малый размер, удобство в работе, отсутствие специальных требований к приготовлению исследуемого образца, а также возможность анализировать окрашенные образцы.

Среди различных типов биосенсоров особое положение занимают микробные сенсоры. Уникальная комбинация ферментов или высокочувствительные физиологические рецепторы в клетках позволяют создавать измерительные системы, которые невозможно воспроизвести, используя отдельные ферменты. Микробные сенсоры также обладают меньшей чувствительностью к ингибиторам и лучше переносят отклонения рН и температуры, чем ферментные. Кроме того, для сенсоров на основе микроорганизмов, как правило, характерно большее время жизни и меньшая стоимость по сравнению с ферментными сенсорами.

Вместе с тем, для микробных сенсоров характерна широкая субстратная специфичность - чувствительность к большому количеству веществ. Для преодоления данного недостатка предлагается использовать набор сенсоров с различающимися характеристиками и элементы теории распознавания образов. Актуальность исследований

Интенсивное развитие биотехнологического производства привело к появлению большого количества предприятий, в производственном цикле которых широко используются различные биологические вещества. В качестве примера можно привести получение этанола из гидролизата древесины, производство белково-витаминных л л препаратов на основе микробной биомассы, получение различных сахарозаменителей и т.п. Для эффективной трансформации веществ необходимо контролировать концентрации суГстрата и продукта, а также иногда и промежуточных метаболитов. Традиционные методы детекции, используемые в стационарных лабораториях (масс-спектрометрия, хроматография, модификации физико-химического анализа состава образца) достаточно эффективны, но довольно дороги и, к тому же, требуют наличия сложного оборудования и специально подготовленного персонала. Кроме того, при их использовании практически невозможно получение результатов в режиме реального времени.

Эффективным решением проблемы может оказаться применение биосенсоров для определения концентраций анализируемых веществ. С этой точки зрения перспективно использование микробных сенсоров. Микробные сенсоры обладают высокой ч увствительностью, не уступающей чувствительности ферментных сенсоров, и часто п ревосходят последние по стабильности. Кроме того, микробные сенсоры обладают рядом других преимуществ (простота получения биомассы, наличие готовых ферментных комплексов внутри клетки и т.п.). Основным препятствием для широкого использования микробных сенсоров является низкая селективность.

Подобная проблема существует при использовании химических сенсоров. В этом случае для повышения селективности используют набор сенсоров и различные математические процедуры. К настоящему времени накоплен значительный опыт по применению элементов теории распознавания образов (ТРО) для обработки данных, полученных при помощи набора химических сенсоров. Вместе с тем, использование подобного математического аппарата в области биосенсоров (и, в частности, микробных сенсоров) носит ограниченный характер. Применение элементов ТРО для обработки сигналов микробных сенсоров может существенно расширить область их применения, позволит осуществлять количественный анализ сложных смесей, а также сократить время л анализа.

Цель работы

Цель данной работы состояла в разработке метода анализа многокомпонентной смеси при помощи микробных сенсоров. Для достижения указанной цели в работе решались следующие задачи:

1. Исследование поведения отдельных сенсоров при анализе образца, содержащего более одного субстрата.

2. Разработка и апробация методики анализа двухкомпонентных смесей (на примере смесей "глюкоза - этанол", "глюкоза - ксилоза") и идентификации состава смеси, содержащей до трех веществ (глюкоза, ксилоза, этанол).

3. Исследование эффективности аппроксимации ответов биосенсора уравнениями различного вида.

Научная новизна В ходе выполнения настоящей работы впервые получены следующие результаты: 1 На основе теоретического анализа физиологических и биохимических характеристик микроорганизмов культур Gluconobacter, Pichia, Hansenula и Escherichia сформированы измерительные системы для осуществления анализа двухкомпонентных смесей "глюкоза - этанол" и "глюкоза - ксилоза", а также трехкомпонентной смеси "глюкоза - ксилоза - этанол", включающие исключительно микробные сенсоры.

2. Разработана процедура определения концентраций составляющих смесь компонентов (на примере двухкомпонентных смесей "глюкоза - этанол" и "глюкоза -ксилоза").

3. Показана возможность идентификации состава смеси, содержащей до трех компонентов (глюкозу, ксилозу и этанол) при помощи системы проточно-инжекционного

Л Л типа, содержащей три микробных сенсора (для увеличения количества определяемых компонентов необходимо увеличение количества составляющих систему сенсоров).

4. Исследованы области линейности и аддитивности сигналов микробных сенсоров, 31 ание которых необходимо для упрощения калибровки сенсора.

5. Исследована возможность аппроксимации калибровочных зависимостей биосенсоров различного типа при помощи уравнения, аналогичного уравнению Хилла, а также рассмотрены источники ошибок в определении концентрации анализируемого всщества.

Практическая ценность

Создана лабораторная модель 4х-канальной измерительной системы для анализа многокомпонентных смесей. Результаты исследования закладывают основы для конструирования аналитических систем типа "электронный язык" на базе микробных сонсоров. Использование микроорганизмов в рецепторных элементах позволяет создать измерительные системы для определения концентрации широкого спектра органических соединений, утилизируемых микробными клетками. Полученные в ходе выполнения работы результаты представляют практический интерес в связи с перспективами использования набора микробных сенсоров для контролябиотехнологических процессов.

Апробация работы

Основные положения диссертационной работы были доложены на 2-ой и 3-ей городских конференциях молодых ученых (Путцино, Россия, 1997, 1998), Международной конференции Biocatalysis-98 (Pushchino, Russia, 1998), The fifth world congress on biosensors - Biosensors-98 (Berlin, Germany, 1998), Международной конференции "Молекулярная генетика и биотехнология", (Минск, Беларусь, 1998); The sixth world coigress on biosensors - Biosensors-2000 (San Diego, USA, 2000); The seventh world congress on biosensors - Biosensors-2002 (Kyoto, Japan, 2002). Публикации

По материалам диссертации опубликовано 8 статей, 7 сообщений в тезисной форме. Структура и объем диссертации

Диссертация состоит из введения, обзора литературы, описания методов исследования, изложения и обсуждения полученных результатов, заключения и выводов. Изложена на 112 страницах машинописного текста, содержит 7 таблиц, иллюстрирована 21 рисунками. Список литературы включает 116 наименований.

Заключение Диссертация по теме "Биотехнология", Лобанов, Алексей Викторович

ВЫВОДЫ

1. Предложен алгоритм анализа многокомпонентной смеси и последовательно изучены особенности метода на моделях, содержащих биосенсоры в комбинациях "ферментный -неселективный микробный", "селективный микробный - неселективный микробный", "два неселективных микробных" и "три неселективных микробных"; для указанных моделей на основе теоретического анализа метаболических характеристик микроорганизмов выбраны штаммы Gluconobacter oxydans №6, Escherichia coli F, Pichia methanolica MH4 и Hansenula polymorpha DL1, обладающие оптимальными параметрами для селективной оценки компонентов в смесях "глюкоза-этанол", "глюкоза-ксилоза", "глюкоза-этанол-ксилоза".

2. Измерительная система, состоящая из ферментного электрода и микробного сенсора на основе бактерий G. oxydans, использована для проведения селективной оценки содержания глюкозы и этанола в смеси этих веществ. Среднеквадратичная ошибка определения концентрации составила для глюкозы -0.0033 мМ и для этанола -0.0005 мМ в диапазоне 0 - 0.3 мМ по каждому из субстратов.

3. Создана система двух микробных сенсоров с иммобилизованными клетками G.oxydans и P.methanolica для селективной оценки содержания глюкозы и этанола в смеси этих веществ. Применение искусственных нейронных сетей позволило осуществить селективный анализ в диапазоне концентраций от 0.5 мМ до 8 мМ по каждому из субстратов. Полученное значение коэффициента смешанной корреляции Ä2 составляет 0.99 для обоих веществ.

4. Измерительную систему двух микробных сенсоров на основе клеток G.oxydans и E.coli использовали для селективной детекции глюкозы и ксилозы в смеси этих компонентов. Значение коэффициента смешанной корреляции R2 составило 0.95 для концентрации глюкозы, и 0.91 - для ксилозы. Диапазон определяемых концентраций составляет от 0 мМ до 2.5 мМ по каждому из субстратов.

5. Разработан алгоритм анализа смеси "глюкоза-этанол-ксилоза". Показано, что система сенсоров на основе штаммов G. oxydons, Е. coli и H. polymorpha позволяет определить наличие или отсутствие каждого из компонентов.

БЛАГОДАРНОСТИ

Я искренне признателен и глубоко благодарен всем, кто способствовал улучшению данной работы ценными советами, обсуждением результатов, моральной поддержкой и т.д. Особую признательность я хотел бы выразить своим родителям за постоянную помощь и поддержку, Н.О. Дещеревской за помощь в осуществлении экспериментов, И.А. Борисову за консультации по нейронным сетям и своему научному руководителю А.Н. Решетилову. Благодарю также Б.И. Курганова, совместно с которой были проведены исследования по аппроксимации калибровочных зависимостей. Большое спасибо всем сотрудникам лаборатории биосенсоров, а также сотрудникам других лабораторий института, принимавших участие в обсуждении результатов.

ЗАКЛЮЧЕНИЕ

Анализ литературных данных показывает, что, несмотря на тот факт, что элементы теории распознавания образов эффективно используются для повышения селективности детекции многокомпонентных смесей при помощи набора химических сенсоров или спектрофотометрии, их применение для повышения селективности микробных сенсоров еще не получило должного распространения. Вместе с тем, именно микробные сенсоры являются одним из основных кандидатов на роль входных элементов подобной системы распознавания, поскольку: к IV

1) именно для микробных сенсоров проблема низкой селективности стоит острее, чем для остальных биосенсоров;

2) наличие в микробных клетках большого количества разнообразных ферментов позволяет создавать сенсоры практически на любой утилизируемый клетками субстрат;

3) ряд других преимуществ микробных сенсоров (простота получения биомассы, возможность обслуживания измерительной установки неквалифицированным персоналом, возможность использования многостадийных реакций для осуществления анализа и пр.) повышают перспективность их использования для контроля биотехнологических процессов и мониторинга окружающей среды.

В связи с изложенным выше, представлялось целесообразным проведение исследований, направленных на осуществление селективного анализа многокомпонентных смесей при помощи системы микробных биосенсоров. Для этого были предприняты следующие шаги:

1. На первом этапе для реализации наиболее простого случая - анализа двухкомпонентной смеси "глюкоза - этанол", - была использована измерительная система, состоящая из двух сенсоров. Первый сенсор представлял собой кислородный электрод, с иммобилизованными клетками Gluconobacter oxydans. В качестве опорного электрода был использован высокоселективный ферментный электрод на основе глюкозооксидазы. Концентрация глюкозы определялась при помощи ферментного электрода на основании ранее полученной калибровочной зависимости. По полученному значению концентрации глюкозы и величине ответа микробного сенсора по калибровочной зависимости определяли концентрацию этанола.

2. Второй этап заключался в переходе к системе, состоящей исключительно из микробных сенсоров. Для упрощения ситуации в качестве микробного сенсора был использован высокоселективный микробный сенсор на основе штамма Pichia methanolica, обладающий чувствительностью к этанолу, но не обладающий чувствительностью к глюкозе. Алгоритм определения концентраций практически не отличался от предыдущего этапа. Сначала при помощи селективного электрода (на основе Pichia methanolica) определяли концентрацию этанола, а затем по полученному значению концентрации и показаниям неселективного сенсора (на основе Gluconobacter oxydans) вычисляли концентрацию глюкозы. Использование полиномиальной аппроксимации позволило расширить диапазон анализируемых концентраций.

3. Также для обработки результатов эксперимента были применены искусственные нейронные сети. Это позволило получить значения концентраций компонентов смеси с высокой степенью точности (коэффициент смешанной корреляции составлял 0.99 для обоих субстратов). Кроме того, обучение нейронных сетей на накопленном экспериментальном материале позволило учесть изменение величины ответа сенсоров с течением времени.

4. На следующем этапе был реализован наиболее общий случай - для анализа двухкомпонентной смеси "глюкоза - ксилоза" была создана измерительная система на базе неселективных микробных сенсоров. При создании измерительной системы были использованы штаммы Gluconobacter oxydans и Escherichia coli. Для аппроксимации калибровочных зависимостей применили полиномы второй степени. Определение концентраций компонентов смеси осуществлялось при помощи решения системы уравнений методами вычислительной математики.

5. Завершающий этап исследований состоял в создании модели измерительной системы для анализа трехкомпонентной смеси. В качестве компонентов смеси были выбраны глюкоза, ксилоза и этанол. При создании рецепторных элементов использовались штаммы Gluconobacter oxydans, Escherichia coli и Hansenula polymorpha. Обработку экспериментальных данных проводили при помощи кластерного анализа. После проведения экспериментов по калибровке измерительной системы были выделены восемь кластеров, отражающих все возможные комбинации трех веществ. Характеристикой, на основании которой принималось решение о принадлежности образца к одному из кластеров, являлось расстояние от образца до центра кластера, описанная система позволяла успешно идентифицировать состав анализируемой смеси.

6. Кроме того, в ходе выполнения работы была исследована возможность аппроксимации калибровочных зависимостей биосенсоров различного типа при помощи уравнения, аналогичного уравнению Хилла.

Полученные в ходе ее выполнения результаты показали, что применение элементов теории распознавания образов (кластерного анализа, искусственных нейронных сетей) для обработки сигналов системы микробных биосенсоров позволяет осуществлять определение концентраций составляющих смесь веществ.

Библиография Диссертация по биологии, кандидата химических наук, Лобанов, Алексей Викторович, Москва

1. М. N. Abbas, G. A. Moustafa and W. Gopel. "Multicomponent analysis of some environmentally important gases using semiconductor tin oxide sensors" // Analytica Chimica Acta, 431, 2001. P. 181-194.

2. M. N. Abbas, G. A. Moustafa, J. Mitrovics and W. Gopel. "Multicomponent gas analysis of a mixture of chloroform, octane and toluene using a piezoelectric quartz crystal sensor array" // Analytica Chimica Acta, 393, 1999. P. 67-76.

3. P. N. Bartlett, G. H. Dodd, J. W. Gardnert and H. V. Shurmert. "Warwick Electronic Nose" // Analycal proceedings, 28, 1991. P. 343.

4. S. Bijlsma and A. K. Smilde. "Application of curve resolution based methods to kinetic data" // Analityca Chimica Acta, 396, 1999. P. 231-240.

5. M. Blanco, J. Coello, H. Iturriaga, S. Maspoch and M. Porcel. "Simultaneous enzymatic spectrophotometric determination of ethanol and methanol by use of artificial neural networks for calibration" II Analytica Chimica Acta, 398, 1999. P. 83-92.

6. M. Blanco, J. Coello, H. Iturriaga, S. Maspoch and M. Porcel. "Use of circular dichroism and artificial neural networks for the kinetic-spectrophotometric resolution of enantiomers" // Analytica ChimicaActa, 431, 2001. P. 115-123.

7. R. Boque, N. K. M. Faber and F. X. Rius. "Detection limits in classical multivariate calibration models" II Analytica Chimica Acta, 432, 2000. P. 41-49.

8. Z. Cao, H. G. Lin, B. F. Wang, C. Z. Z., T. F. L. Ma, K. M. Wang and R. Q. Yu. "Discrimination of vapours of alcohols and beverage samples using piezoelectric crystal sensor array" // Analytical Letters, 28, 3, 1995. P. 451-466.

9. P. Chang and J.-S. Shih. "Multi-channel piezoelectric quartz crystal sensor for organic vapours" IIAnalytica ChimicaActa, 403, 2000. P. 39-48.V

10. N. K. M. Faber. "Critical evaluation of a significance test for partial least squares regression" // Analytica Chimica Acta, 432, 2001. P. 235-240.

11. R. Ferrer, J. Guiteras and J. L. Beltran. "Artificial neural networks (ANNs) in the analysis of polycyclic aromatic hydrocarbons in water samples by synchronous fluorescence" II Analytica Chimica Acta, 384, 1999. P. 261-269.

12. F. Ge, X.-E. Zhang, Z.-P. Zhang and X.-M. Zhang. "Simultaneous determination of maltose and glucose using screen-printed electrode system" // Biosensors&Bioelectronics, 13, 3-4, 1998. P. 333-339.

13. K. H. Gilchrist, V. N. Barker, L. E. Fletcher, B. D. DeBusschere, P. Ghanouni, L. LGiovangramdi and G. T. A. Kovacs. "General purpose, field-portable cell-based biosensor platform" // Biosensors&Bioelectronics, 16,2001. P. 557-564.

14. S. A. Gray, K. J. K., K. M. Shaffer, Y. S. Shubin, D. A. Stenger and J. J. Pancrazio. "Design and demonstration of an automated cell-based biosensor" II Biosensors&Bioelectronics, 16, 2001. P. 535-542.

15. A. Guadarrama, J. A. Fernandez, M. Iniguez, J. Souto and J. A. d. Saja. "Array of conducting polymer sensors for the characterisation of wines" // Analytica Chimica Acta, 411, 2000. P. 193200.1.

16. S. P. Hendry, I. J. Higgins and J. V. Bannister. "Amperometric biosensors" // J Biotechnol, 15, 3, 1990. P. 229-37.

17. Hernandez, A. I. Jimenez and J. J. Arias. "Evaluation of multicomponent flow-injection analysis data by use of a partial least squares calibration method" // Analytica Chimica Acta, 310, 1995. P. 53^61.

18. N. Jaffrezic-Renault. "New Trends in Biosensors for Organophosphorus Pesticides" // Sensors, 1, 2001. P. 60-74.

19. K. Johansen, I. Lundstrom and B. Liedberg. "Sensitivity deviation: instrumental linearity errors that influence concentration analyses and kinetic evaluation of biomolecular interactions" // Biosensors&Bioelectronics, 15, 2000. P. 503-509.

20. J. H. Kalivas. "Basis sets for multivariate regression" // Analytica Chimica Acta, 428, 2001. P. 31-40.

21. E.-L. Kalman, A. Lofvendahl, F!, Winquist and I. Lundstrom. "Classification of complex gas mixtures from automotive leather using an electronic nose" // Analytica Chimica Acta, 403, 2000. P. 31-38.

22. Karube. "Microbial sensor" IIJ Biotechnol, 15, 3, 1990. P. 255-65.

23. M. Kudera, H. A. O. Hill, P. J. Dobson, P. A. Leigh and W. S. Mclntire. "Electrochemical Characterisation and Application of Multi Microelectrode Array Devices to Biological Electrochemistry" I I Sensors, 1, 2001. P. 18-28.

24. A. L. Kukla and Y. M. Shirshov. "Computer simulation of transport processes in biosensor microreactors" // Sensors and Actuators, B, 48, 1998. P. 461-466.

25. B. I. Kurganov. Allosteric Enzymes. Kinetic Behaviour. Chichester. "John Wiley and Sons". 1982.

26. H. P. Lang, M. K. Bailer, R. Berger, C. Gerber, J. K. Gimzewski, F. M. Battiston, P. Fornaro, J. P. Ramseyer, E. Meyer and H. J. Guntherodt. "An artificial nose based on a micromechanical cantilever array" // Analytica ChimicaActa, 399, 1999. P. 59-65.

27. O.-W. Lau, B. Shao and M. T. W. Lee. "Affinity mass sensors: determination of fructose" // Analytica Chimica Acta, 403, 2000. P. 49-56.

28. H. Liden, C.-F. Mandenius, L. Gorton, N. Q. Meinander, I. Lundstrom and F. Winquist. "On-line monitoring of a cultivation using an electronic nose" II Analytica Chimica Acta, 361, 1998. P. 223-231.

29. W. E. v. d. Linden, M. Bos and A. Bos. "Arrays of electrodes for multi-component analysis" // Analytical Preceedings, 26, 1989. P. 329.

30. Y. Lu, L. Bian and P. Yang. "Quantitative artificial neural network for electronic noses" // Analytica ChimicaActa, 417, 2000. P. 101-110.

31. M.-P. Marco and D. Barcelo. "Environmental applications of analytical biosensors" // Meas. Sci. Technol., 7, 1996. P. 1547-1562.

32. M. J. Martin, F. Pablos and A. G. Gonzalez. "Application of pattern recognition to the discrimination of roasted coffee" II Analytica ChimicaActa, 320, 1996. P. 191-197.

33. S. Miertus, J. Katrlik, A. Pizzariello, M. Stred'ansky, J. Svitel and J. Svorc. "Amperometric biosensors based on solid binding matrices applied in food quality monitoring" // Biosensors& Bioelectronics, 13, 7-8, 1998. P. 911-923.

34. V. M. Mirsky. "Affinity sensors in non-equilibrium conditions: highly selective chemosensing by means of low selective chemosensors" // Sensors, 1,2001. P. 13-17.

35. N. O. Morozova, P. V. Diasov, V. V. Ashin, I. F. Aleksandrova and A. N. Reshetilov,

36. Comparative characteristics of Gluconobacter oxydans B-1280 and Pichia pinus MN4 cells atbiosensoric ethanol detection. 1996. Leuven, Belgium. P. 421-424.

37. R. Muller, Multisensor signal proceeding. 1989. Weinheim. "VCH Verlagsgesellschaft".

38. Y. Ni and C. Liu. "Artificial neural networks and multivariate calibration for spectrophotometricdifferential kinetic determinations of food antioxidants" II Analytica Chimica Acta, 396, 1999. P.221.230.

39. T. Otagawa and J. R. Stetter. // Sensors and Actuators, 1987.

40. K. C. Persaud. "Odour detection using sensor arrays" II Analytical proceedings, 28, 1991. P. 339341.

41. J. Racek. Cell-based biosensors. Lancaster. "Technomic Publishing Company, Inc.". 1995. 107 P

42. G. A. Rechnitz and M. Y. Ho. "Biosensors based on cell and tissue material" // J Biotechnol, 15, 3, 1990. P. 201-217.

43. M. M. Reis, S. P. Gurden, A. K. Smilde and M. M. C. Ferreira. "Calibration and detailed analysis of second-order flow injection analysis data with rank overlap" // Analytica Chimica Acta, 422, 2000. P. 21-36.

44. T. Rinken, A. Rinken, T. Tenno and J. Jarv. "Calibration of glucose biosensors by using presteady state kinetic data" // Biosensors&Bioelectronics, 13,7-8, 1998. P. 801-807.

45. T. Rinken and T. Tenno. "Dynamic model of amperometric biosensors. Characterisation ofglucose biosensor output" // Biosensors¿cBioelectronics, 16, 2001. P. 53-59.

46. C. A. Rowe-Taitt, J. P. Golden, M. J. Feldstein, J. J. Cras, K. E. Hoffman and F. S. Ligler.

47. Array biosensor for detection of biohazards" // Biosensors&Bioelectronics, 14, 10-11, 2000. P.785.794.

48. C. A. Rowe-Taitt, J. W. Hazzard, K. E. Hoffman, J. J. Cras, J. P. Golden and F. S. Ligler. "Simultaneous detection of six biohazardous agents using a planar waveguide array biosensor" // Biosensors&Bioelectronics, 15, 11-12, 2000. 579-589.1. IV

49. M. Slama, C. Zaborosc, D. Wienke and F. Spener. "Simultaneous Mixture Analysis Using a Dynamic Microbial Sensor Combined with Chemometrics" // Analytical Chemistry, 68, 21, 1996. P. 3845-3850.

50. A. K. Smilde, R. Tauler, J. Saurina and R. Bro. "Calibration methods for complex second-order data" // Analytica ChimicaActa, 398,1999. P. 237-251.

51. M. Smolander, J. Cooper, W. Schuhmann, M. Hammerle and H.-L. Schmidt. "Determination of xylose and glucose in a flow-injection system with PQQ-dependent aldose dehydrogenase" // Analytica ChimicaActa, 280, 1993. P. 119-127.

52. R.-I. Stefan, J. F. K. v. Staden and H. Y. Aboul-Enein. "Immunosensors in clinical analysis" // Fresenius J Anal Chem, 366, 2000. P. 659-668.

53. M.-J. Syu and J.-Y. Liu. "Neural network sensitivity analysis of the detected signal from an SO2 electrode" // Sensors and Actuators, B, 50,1998. P. 1-8.

54. M.-J. Syu and J.-Y. Liu. "Neural network signal detection of an SO2 electrode" // Sensors and Actuators, B, 49, 1998. P. 186-194.

55. D. R. Thevenot, K. Toth, R. A. Durst and G. S. Wilson. "Electrochemical biosensors: recommended definitions and classification" // Biosensors&Bioelectronics, 16, 1-2, 2001. P. 121-31.

56. H. Wang, Y. Zhou, Y. Zhao, Q. Li, X. Chen and Z. Hu. "Optimization of on-line microwave flow injection analysis system by artificial neural networks for the determination of ruthenium" // Analytica Chimica Acta, 429, 2001. P. 207-213.

57. U. Weimar, K. D. Schierbaum, G. W. and R. Kowalkwski. "Pattern recognition methods for gas mixture analysis: application to sensor arrays based upon ЭпОг" // Sensor and Actuators, В, 1, 1990. P. 93-96.

58. U. Weimar, S. Vaihinger, K. D. Schierbaum and W. Gopel, N. Yamazoe. Multicomponentanalysis in chemical sensing. 1991. Tokyo. "Kodansha LTD.". P. 51-88.

59. M. Wimmerova and L. Mzcholan. "Sensitive amperometric biosensor for the determination ofbiogenic and synthetic amines using pea seedlings amine oxidase: a novel approach for enzymeimmobilization" // Biosensors¿Sioelectronics, 14, 1999. P. 695-702.

60. F. Winquist, S. Holmin, C. Krantz-Rulcker, P. Wide and I. Lundstrom. "A hybrid electronictongue" II Analytica Chimica Acta, 406, 2000. P. 147-157.

61. M. Wortberg, S. B. Kreissig, G. Jones, D. M. Rocke, S. J. Gee, L. M. Kauvar and B. D. Hammock, An immuno array for the determination oftriazine herbicides by means of pattern recognition. New Orlean.

62. T. Z. Wu. "A piezoelectric biosensor as an olfactory receptor for odour detection: electronic nose" II Biosensors&Bioelectronics, 14, 1, 1999. P. 9-18.

63. R.-Q. Yu, Z.-R. Zhang and G.-L. Shen. "Potentiometric sensors: aspects of the recent development". // Sensors and Actuators, B, 65, 2000. 150-153.

64. C. Ziegler, W. Gopel, H. Hammerle, H. Hatt, G. Jung, L. Laxhuber, H. L. Schmidt, S. Schutz, F. Vogtle and A. Zell. "Bioelectronic noses: a status report. Part П" // Biosensors&Bioelectronics, 13,5, 1998. P. 539-571.

65. И. А. Борисов, E. M. Гаврилова, И. П. Андреева, А. М. Егоров, А. Н. Решетилов. "Моделирование калибровочных зависимостей в иммуноферментном анализе с помощью искусственных нейронных сетей" // Сенсорные системы, 14,4, 2000. С. 343-349.

66. И. Корпан, А. В. Ельская. "Микробные сенсоры: достижения, проблемы, перспективы" // Биохимия, 60, 12, 1995. С. 1988-1998.

67. Э. Тернер, И. Карубе, Д. Уилсон. Биосенсоры: основы и приложения. Москва. "Мир". 1992.614 с.

68. Факторный, дискриминантный и кластерный анализ. Москва. "Наука". 1981. 645 с. К. Эйнслейн. Статистические методы для ЭВМ. Москва. "Наука". 1979. 723 с. Энциклопедия кибернетики. Москва. "Мир". 1974. 1094 с.

69. РОССИЙСКАЯ госудлг: . "açj1. ЛЪъ^Ъ ч