来自单通道纳米孔转位事件的分析物的基于深度学习的分类
1Department of Microbial Pathogenesis, School of Dentistry, University of Maryland, Baltimore, 650 W. Baltimore Street, Baltimore, MD 21201, U.S.A.
bioRxiv : the preprint server for biology
|July 14, 2025
概括
一个新的深度学习管道使用纳米孔生物传感器数据准确地分类. 这种方法通过分析复杂的转位事件来增强疾病诊断,在纯样本中实现高精度.
科学领域:
- 生物技术和生物医学工程 生物技术和生物医学工程
- 计算生物学和生物信息学
- 纳米技术和纳米科学
背景情况:
- 通过纳米孔生物传感器精确检测生物标志物对于疾病诊断至关重要.
- 为类分类处理复杂的单通道转位数据是一个重大挑战.
研究的目的:
- 开发一个监督的深度学习管道,用于从纳米孔转位数据中分类.
- 在生物传感应用中提高分析物分类的准确性和效率.
主要方法:
- 一种两阶段的深度学习方法:用于状态分类的卷积和循环神经网络,其次是用于类分类的分支输入网络.
- 利用时间卷积网络进行序列处理和密集网络以结合动力特征.
- 为了训练和验证模型,使用了七种的模拟多态转位数据.
主要成果:
- 在包括全球动力特征时,对于纯样本实现了高分类准确度 (0.99).
- 在仅使用事件级特征对混合物进行分类时,证明了更适度的准确性 (0.68).
- 从转位事件流中进行的投票聚合导致纯样本的完美 (100%) 准确性.
结论:
- 开发的深度学习框架为纳米孔分类提供了一个强大的方法.
- 这项研究为使用真实实验数据从复杂混合物中分类提供了基础.
- 这种方法有望通过精确的检测来推进疾病诊断和生物医学应用.


