深度学习在FAIMS中的应用和整合,用于识别乙度
Lei Zhao1, Ruilong Zhang1, Hao Zeng1
1School of Life and Environmental Sciences, Guilin University of Electronic Technology, Guilin 541004, China.
Analytical biochemistry
|December 20, 2023
概括
本研究探讨了使用高场不对称波形离子流动性光谱法 (FAIMS) 进行定量分析的深度学习. 一个重新设计的系统集成频谱创建和深度学习实现了准确的定量分析,显示了FAIMS应用的前景.
科学领域:
- 分析化学 分析化学
- 计算化学的计算化学
- 频谱学是一种光谱学.
背景情况:
- 高场不对称波形离子运动谱法 (FAIMS) 主要用于定性分析.
- 使用FAIMS进行定量分析是有限的,这阻碍了其实际应用.
- 深度学习为推进FAIMS能力提供了潜力.
研究的目的:
- 调查使用深度学习在FAIMS中进行定量分析的可行性.
- 通过重新设计的上部计算机系统来增强FAIMS数据处理和分析.
- 建立一个基础,用于FAIMS的实际量化应用.
主要方法:
- 重新设计了FAIMS上层计算机,以集成频谱创建和深度学习分析.
- 将多个FAIMS光谱线转换为3D热力学图 (FAIMS光谱).
- 应用并优化了部分最小平方回归,XGBoost和ResNeXt模型用于数据分析.
主要成果:
- 预训练的ResNeXt深度学习模型在测试组中表现出卓越的性能.
- 实现了0.86 mg/ml的根平均平方误差,表明了高准确度.
- 综合系统有效地处理和分析FAIMS数据,以获得定量见解.
结论:
- 深度学习具有很大的潜力,可以在FAIMS中进行定量物质分析.
- 重新设计的FAIMS系统增强了数据处理,为实际的定量应用铺平了道路.
- 这项研究为未来的FAIMS定量研究提供了坚实的框架.
