深度学习可以在DNBSEQQ中使用超高密度数组
Junfeng Li1,2, Zhiwei Zhai3,4, Hao Zhang5
1BGI Research, Shenzhen, 518083, China.
Scientific reports
|November 13, 2024
概括
一个新的深度学习模型,DNBSRN,通过提高超高密度数组的图像分辨率来增强DNA纳米球测序 (DNBSEQ). 这提高了序列吞吐量,降低了成本,克服了以前的局限性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- DNBSEQ技术使用有模式的数组进行高通量DNA测序.
- 超高密度 (UHD) 阵列增加了结合点,但在成像中面临分辨率限制.
- 当前的成像系统难以在UHD阵列中解决相邻的DNA纳米球 (DNB),这影响了基调准确性.
研究的目的:
- 为DNB图像超分辨率开发一个深度学习解决方案.
- 为了克服DNBSEQ中的UHD数组的分辨率限制.
- 为了提高基调调用性能,并使UHD阵列的实际应用成为可能.
主要方法:
- 提议DNBSRN,一个专门为DNB图像设计的深度学习网络.
- 实施了基于组图匹配的预处理方法.
- 在DNBSEQ UHD阵列数据集 (360nm波段) 上评估了DNBSRN.
主要成果:
- DNBSRN显著提高了UHD阵列数据的基础调用性能.
- 重建的图像质量达到与常规密度数组相当的水平.
- DNBSRN实现了快速的重建速度 (500x500图像的7.61毫秒).
- 在质量和速度方面超越了最先进的超分辨率网络.
结论:
- DNBSRN有效地解决了DNB图像超分辨率的挑战.
- 通过DNBSRN的集成,可以在DNBSEQ中使用UHD数组.
- 这导致顺序吞吐量大幅提高,并大大节省成本.


