Marco de aprendizaje profundo explicable para la biocuantificación de SERS

Área de la Ciencia:

• Espectroscopia y Química Analítica
• Descubrimiento de biomarcadores
• Biología computacional y aprendizaje automático

Sus antecedentes:

• La espectroscopia de Raman mejorada por superficie (SERS) es una técnica prometedora para la cuantificación rápida y rentable de biomarcadores.
• Los métodos de análisis SERS existentes están por detrás del aprendizaje automático de última generación, lo que requiere marcos computacionales avanzados.
• La falta de explicabilidad del modelo en SERS dificulta la comprensión de los factores de confusión en las relaciones entre biomarcadores y enfermedades.

Objetivo del estudio:

• Presentar un marco computacional robusto para la biocuantificación de SERS que integre el procesamiento espectral, la cuantificación y la explicabilidad.
• Desarrollar un método de explicabilidad adaptado al análisis de mezclas SERS.
• Para demostrar la utilidad del marco utilizando la cuantificación de la serotonina en la orina.

Principales métodos:

• Un marco de tres pasos: procesamiento espectral, cuantificación y explicabilidad.
• Denoising autoencoder para la mejora espectral; Redes neuronales convolucionales (CNN) y transformadores de visión para la cuantificación.
• Desarrollo de un método de explicación de modelo interpretable representativo del contexto (CRIME) para el análisis de SERS.

Principales resultados:

• La cuantificación optimizada de la serotonina en la orina utilizando espectros denoizados y una CNN logró un error medio absoluto de 0,15 μM y un error medio porcentual de 4,67%.
• El método CRIME identificó seis contextos de predicción únicos para el modelo CNN, con tres directamente asociados con la serotonina.
• El marco propuesto demuestra la eficacia de la biocuantificación de SERS y proporciona una explicabilidad crucial del modelo.

Conclusiones:

• El marco desarrollado mejora significativamente la precisión de la biocuantificación SERS y aborda la necesidad de explicabilidad del modelo.
• El método CRIME ofrece información sobre los contextos de predicción, lo que ayuda a evaluar los factores de confusión.
• Este enfoque facilita el descubrimiento de biomarcadores nuevos y no dirigidos aprovechando la velocidad y la rentabilidad de SERS.