通过深度学习识别肉类样本的无标记型隔离电聚焦模式

科学领域:

• 蛋白质组学是指蛋白质组学.
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 同电聚焦 (IEF) 对于蛋白质分离至关重要,但由于pH梯度分析和PI标志物选择,其效率较低.
• 准确地解释IEF模式是具有挑战性的,阻碍了大规模的蛋白质分析.

研究的目的:

• 开发一种新型无标记的同电聚焦 (IEF) 方法,以高效准确地对IEF模式进行分类.
• 利用卷积神经网络 (CNN) 来自动分析复杂蛋白质样本.

主要方法:

• 使用卷积神经网络 (CNN) 模型开发了一种无标记IEF方法.
• 从21个肉样中采集了1449个IEF模式,使用微条纹IEF.
• 用数据增强来模拟pH梯度漂移并增强模型的稳定性.

主要成果:

• 在IEF模式的分类中,CNN模型实现了97.1%的高精度.
• 该方法成功地识别了没有pI标记或pH梯度分析的肉类物种和切片.
• 推断时间很快,50毫秒,超过了传统算法.

结论:

• 拟议的无标记物IEF方法与CNN相结合,为蛋白质模式分类提供了高效和准确的方法.
• 这种方法显示出复杂蛋白质样本的大规模分析的巨大潜力,特别是在食品认证方面.