预训练深度神经网络Kin-SiM用于单分子FRET痕迹理想化
Leyou Zhang1, Jieming Li2, Nils G Walter3
1Google, New York City, New York 10011, United States.
The journal of physical chemistry. B
|January 14, 2025
概括
本研究介绍了Kin-SiM,这是一种使用长短期记忆 (LSTM) 网络的深度学习方法,用于自动化单分子光共振能量转移 (smFRET) 数据分析. Kin-SiM准确地识别了生物分子状态和动态,减少了smFRET研究中的手工努力和偏差.
科学领域:
- 生物物理学的生物物理.
- 计算生物学 计算生物学
- 生物化学 生物化学
背景情况:
- 单分子光共振能量转移 (smFRET) 对于研究纳米级生物分子动力学至关重要.
- 分析smFRET数据是复杂的,因为噪音,光物理工件,以及需要准确的状态和运动建模.
- 目前的方法,如隐藏的马尔科夫模型 (HMM),需要大量的先前知识和手动输入.
研究的目的:
- 开发一个自动化的深度学习框架,Kin-SiM,以理想化smFRET时间轨迹.
- 通过减少手动干预和假设来克服传统基于HMM的方法的局限性.
- 从smFRET数据中准确提取生物分子状态,动态和运动参数.
主要方法:
- 一个使用长短期记忆 (LSTM) 神经网络的深度学习框架.
- 在模拟的smFRET数据上预训练网络,以捕获轨迹中的高阶相关性.
- 直接理想化FRET轨迹,而不需要用户定义的马科维假设.
主要成果:
- Kin-SiM自动识别生物分子状态及其动态从smFRET痕迹.
- 该方法在基准数据集上实现了与基于HMM的方法可比的性能.
- Kin-SiM显著减少了实践时间和数据分析中偏差的风险.
结论:
- Kin-SiM为smFRET数据理想化提供了一种高效且不那么偏见的方法.
- 深度学习框架成功地提取动力参数并识别潜在的生物分子状态.
- 这项工作为推进单分子动态的定量分析提供了一个强大的工具.
更多相关视频
14:02Super-Resolution Imaging to Study Co-Localization of Proteins and Synaptic Markers in Primary Neurons
Published on: October 31, 2020
5.7K
10:18Photodiode-Based Optical Imaging for Recording Network Dynamics with Single-Neuron Resolution in Non-Transgenic Invertebrates
Published on: July 9, 2020
2.9K
