机器学习促进了血液抗原的量子分析
Dyuti Chatterjee1, Sneha Mittal1, Milan Kumar Jena1
1Department of Chemistry, Indian Institute of Technology (IIT) Indore, Indore, Madhya Pradesh 453552, India.
The journal of physical chemistry letters
|July 25, 2025
概括
本研究引入了一种新的机器学习 (ML) 和量子道方法,用于快速而准确的碳水化合物识别. 这种方法使复杂的血液抗原具有高通量"糖调用".
科学领域:
- 葡萄糖科学 葡萄糖科学
- 计算化学计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 碳水化合物表征对于糖科学至关重要,但受到结构复杂性的阻碍.
- 现有的方法,如NMR和质谱学面临的局限性与复杂的糖类和区域异构体链接.
研究的目的:
- 开发一种计算方法来同时识别各种血液抗原.
- 克服碳水化合物结构分析中传统技术的局限性.
主要方法:
- 使用量子道方法与机器学习 (ML) 相结合.
- 采用随机森林分类器与夏普利添加式解释 (SHAP) 进行解释.
- 根据传输特征对分子进行了快速量子分析.
主要成果:
- 实现了对广泛的血液抗原的同时识别,精度和灵敏度都很好.
- 证明了碳水化合物的准确和高吞吐量"糖调用"的能力.
- 为ML模型使用SHAP提供了可解释的结果.
结论:
- 用ML增强的量子方法为传统碳水化合物分析提供了强大的替代方案.
- 促进复杂碳水化合物的准确和高通量表征.
- 通过它们的传播特征,能够有效地识别血液抗原.


