从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, Maryland, United States of America.
PloS one
|September 11, 2025
概括
我们开发了一种深度学习管道,使用纳米孔生物传感器数据对进行分类. 这种方法可以准确地从转位事件中识别类型,改善疾病生物标志物检测.
科学领域:
- 生物技术是生物技术.
- 生物信息学是一种生物信息学.
- 纳米技术纳米技术
背景情况:
- 通过纳米孔生物传感器精确检测对于疾病诊断至关重要.
- 处理复杂的单通道转位数据以进行类分类是具有挑战性的.
研究的目的:
- 从纳米孔转位数据提出对类分类的监督深度学习管道.
- 提高生物标记物检测的准确性和效率.
主要方法:
- 一个卷积和循环神经网络将原始电流记录分类为导电状态.
- 一个分支输入网络处理导电状态序列和分类的动力特征.
主要成果:
- 使用组合特征的纯样品获得了高分类精度 (0.9998).
- 适度准确度 (0.70) 用事件级特征对混合物进行分类.
- 通过从转位事件流中的投票聚合来获得纯样本的完美100%准确性.
结论:
- 深度学习框架使用模拟数据展示了强大的纳米孔分类.
- 这项工作为从实验数据中对复杂混合物中的进行分类提供了基础.


