可解释的深度学习框架用于SERS生物量化

科学领域:

• 光谱学和分析化学
• 生物标志物发现
• 计算生物学和机器学习

背景情况:

• 表面增强拉曼光谱 (SERS) 是一种有前途的技术,用于快速和经济有效的生物标志物量化.
• 现有的SERS分析方法落后于最先进的机器学习,需要先进的计算框架.
• 在SERS中缺乏模型可解释性,这阻碍了对生物标志物与疾病关系中的混因素的理解.

研究的目的:

• 为SERS生物量化提供一个强大的计算框架,整合光谱处理,量化和可解释性.
• 为SERS混合物分析开发一个量身定制的可解释性方法.
• 通过尿液中的血清素量化来证明框架的实用性.

主要方法:

• 一个三步的框架:光谱处理,量化和可解释性.
• 用于光谱增强的自动编码器;用于定量化的卷积神经网络 (CNN) 和视觉转换器.
• 开发用于SERS分析的语境代表性可解释模型解释 (CRIME) 方法.

主要成果:

• 在尿液中使用denoised光谱和CNN进行优化血清定量,平均绝对误差为0. 15μM,平均百分比误差为4. 67%.
• 该CRIME方法为CNN模型确定了六个独特的预测环境,其中三个与血清素直接相关.
• 拟议的框架展示了有效的SERS生物量化,并提供了关键的模型可解释性.

结论:

• 开发的框架显著提高了SERS生物量化准确性,并解决了对模型可解释性的需求.
• 该方法提供了预测背景的洞察力,有助于评估混因素.
• 这种方法通过利用SERS的速度和成本效益,促进了新的,非目标生物标志物的发现.