Marco de aprendizaje profundo explicable para la biocuantificación de SERS | JoVE Visualize

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.