深度学习支持微波阵列实时单次重定位,用于数字化曲线分析
Zhiqi Zhang1,2,3, Jia Yao2,4, Qi Yang2,3
1School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine University of Science and Technology of China, Hefei 230026, China.
Analytical chemistry
|November 4, 2025
概括
一种新的深度学习方法增强了多重核酸检测的数字化曲线分析 (dMCA). 这种先进的平台提高了准确性和分辨率,使精确的基因分析成为可能,并推进了精准医学.
科学领域:
- 生物技术是生物技术.
- 分子生物学分子生物学
- 计算生物学 计算生物学
背景情况:
- 数字化曲线分析 (dMCA) 是用于多重核酸检测的强大技术.
- 由于光偏差,传统的dMCA在广泛的温度范围和分辨率限制中面临着精度的挑战.
研究的目的:
- 开发一个新的深度学习支持的dMCA平台 (SAPAR-dMCA),以克服传统dMCA的局限性.
- 为了提高数字多重核酸分析的精度,分辨率和温度范围的适应性.
主要方法:
- 实施一次性自适应点传播函数 (PSF) 注意力重定位模型 (SAPAR-dMCA).
- 数字PCR微阵列的自动对焦,没有机电运动,使用PSF自校准和调制.
- 实现了±400μm的深度,减少了光强度偏差的2.76倍.
主要成果:
- 在46.0°C的化温度范围内,从38.0%提高到92.3%的多重识别精度.
- 变化系数从3.16%降低到0.78%.
- 基于化温度差异,实现了0.9°C的分辨率,用于检测呼吸道病原体.
结论:
- SAPAR-dMCA提供了一个精确而强大的平台,用于数字多重核酸分析,具有高分辨率和广泛的温度适应性.
- 开发的方法支持超多重复基因分析,并推进精准医学.
