一个监督的基于图形的深度学习算法,用于检测和量化聚类粒子

科学领域:

• 生物物理学的生物物理.
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 描述嵌入膜的蛋白质对于理解细胞功能至关重要.
• 目前分析蛋白质地形的方法通常涉及复杂的生物物理和数值技术.
• 粒子的动态聚类,如蛋白质纳米集群,提出了一个重要的分析挑战.

研究的目的:

• 开发一个端到端,独立于人类干预的算法,用于检测和量化动态粒子聚类.
• 利用图形神经网络 (GNN) 来分析高维单分子局部化显微镜 (SMLM) 数据集.
• 为生物物理分析提供更快,独立于参数的,可重复使用的计算工具.

主要方法:

• 设计了一种由两个连接的二进制图形神经网络 (GNN) 分类器组成的算法.
• 使用模拟数据训练了GNN,使得算法变量独立.
• 基于GNN的算法在模拟数据上进行了测试,并使用实验性光显微镜数据进行了验证.

主要成果:

• 基于GNN的算法成功检测并量化了动态粒子聚类.
• 该方法与高维的SMLM数据集的现有方法相比,显示出更高的速度.
• 该算法可以在标准的桌面计算机上实现,训练好的GNN模型是可重复使用的.

结论:

• 本研究介绍了GNN用于分析粒子聚合的首次应用.
• 开发的算法为研究纳米粒子提供了一种高效且易于使用的工具,包括活细胞中的膜相关蛋白质纳米集群.
• 在纳米尺度上,GNN方法具有显著的潜力,可以促进蛋白质动态和组织的表征.