使用卷积和循环神经网络进行自动化原子力显微镜分析
Jonathan Haydak1, Evren U Azeloglu1
1Division of Nephrology, Icahn School of Medicine at Mount Sinai, New York, New York; Department of Pharmacological Sciences, Icahn School of Medicine at Mount Sinai, New York, New York.
Biophysical journal
|May 10, 2025
概括
一个新的机器学习算法,COBRA,准确地分析原子力显微镜 (AFM) 数据. 这种方法可靠地识别了接触点,并过了低质量的曲线,改进了生物机械性质分析.
科学领域:
- 生物物理学的生物物理.
- 材料科学 材料科学 材料科学
- 细胞生物学 细胞生物学
背景情况:
- 原子力显微镜 (AFM) 对于表征细胞和组织生物力学至关重要.
- 由于噪音和接触点的不确定性,分析AFM力曲线具有挑战性.
- 现有的方法缺乏速度,可重复性和定量准确性.
研究的目的:
- 开发一种用于处理AFM力曲线的新型机器学习算法.
- 提高AFM数据中接触点确定的准确性和可靠性.
- 为了实现细胞和组织的高通量,精确的生物力学分析.
主要方法:
- 开发了一个卷积双向循环神经网络 (COBRA).
- 该算法在来自不同细胞类型的5000多个精选的AFM力曲线上进行了训练.
- COBRA与经典和其他机器学习技术进行了比较.
主要成果:
- 科布拉显示出优异的低质量的AFM曲线的识别 (AUC 0.92).
- 算法实现了最小的接触点误差 (28 ± 3 nm).
- 定点弹性模块的平均绝对百分比误差为5.3%±0.7%.
结论:
- 科巴可靠地过低质量的AFM力曲线,并确定接触点.
- 该方法提高了高通量AFM分析的精度和可重复性.
- 科巴为定量生物力学表征提供了显著的进步.
