基于量子机器学习的电动力学挖矿用于识别纳米粒子和外体,使用最少的训练数据

科学领域:

• 纳米技术和生物材料科学 纳米技术和生物材料科学
• 量子计算和机器学习
• 生物医学工程和诊断学

背景情况:

• 纳米粒子 (NP) 和细胞外囊泡 (EV) 在生物材料,瘤学和药物输送方面至关重要.
• 传统的表征方法 (例如电子显微镜) 昂贵且耗时.
• 电动力学属性为粒子表征提供了一个快速,经济高效的替代方案.

研究的目的:

• 为NP和EV识别引入基于量子机器学习 (QML) 的电动挖矿的首个应用.
• 评估QML区分各种NP和EV的能力,包括来自癌症患者的NP和EV.
• 用临床应用的最小训练数据来评估QML的性能.

主要方法:

• 使用QML和经典机器学习 (ML) 进行电动力学数据分析.
• 应用交叉验证,列车测试分割,混矩阵和ROC曲线进行分析.
• 在来自细胞系和患者血的绿色合成NP和外体上测试QML.

主要成果:

• 经典ML准确地根据电动力学数据识别了NP和EV.
• QML在各种NP和EV之间展示了卓越的区分能力.
• QML成功地将结直肠癌 (CRC) 患者血中的EV与健康个体区分开来.
• 在CRC患者的血和小鼠中,QML在识别NP和EV方面取得了高的预测性能,即使训练数据有限.

结论:

• 基于QML的电动力学挖矿是识别NP和EV的强大工具.
• 这种方法提供了高的准确性和效率,特别是在最少的训练数据.
• QML促进了新的临床开发,特别是在用于癌症检测的液体活检中.