革新生物数字双胞胎:整合生物纳米物联网,卷积神经网络和联合学习
Mohammad Behdad Jamshidi1, Dinh Thai Hoang1, Diep N Nguyen1
1School of Electrical and Data Engineering, University of Technology Sydney, 15 Broadway, Sydney, 2007, NSW, Australia.
Computers in biology and medicine
|March 18, 2025
概括
这项研究引入了一个使用生物网络技术和细菌微尺度数字双胞胎 (DTs) 的联合学习的新框架. 这种方法显著提高了生物技术应用中的数据准确性和带宽效率.
科学领域:
- 生物技术是生物技术.
- 数字健康数字健康
- 微生物学 微生物学
背景情况:
- 数字双胞胎 (DTs) 在药物发现和数字健康方面具有潜力,但在微/纳米生物实体方面面临挑战.
- 对细菌实施DTs需要克服复杂的数据处理和专门的基础设施需求.
研究的目的:
- 为生物实体,特别是细菌的微观数字双胞胎提出一个新的框架.
- 解决生物DTs数据提取,传输和计算方面的挑战.
主要方法:
- 利用生物纳米物联网 (IoBNT) 进行精确的微观数据采集.
- 实现了联合学习 (FL) 和卷积神经网络 (CNN) 以实现分散的深度学习.
- 采用CNN用于模式识别和FL用于减少带宽和增强安全性.
主要成果:
- 在33个细菌类别中实现了98.7%的多类分类准确度.
- 通过拟议的框架,证明了超过99%的带宽节省.
- 使用IoBNT集成将生物数据传输错误减少高达98%.
结论:
- 这种新的框架有效地克服了对细菌实施微尺度数字双胞胎的挑战.
- 整合IoBNT和分散的深度学习为生物技术提供了强大而高效的解决方案.
- 易于使用的仪表板提高了该框架在制药和生物技术行业的适用性.
