拉曼马:蒙面自编码器通过学习生物学上有意义的光谱表示来实现高效的分子成像
Santosh Kumar Paidi1, Parul Maheshwari2
1Genentech, 1 DNA Way, South San Francisco, California 94080, United States.
Analytical chemistry
|November 21, 2025
概括
这项研究介绍了RamanMAE,这是一种用于分析拉曼光谱数据的新型光谱语言模型. 拉曼MAE有效地处理复杂的光谱信息,改善生物应用下游机器学习.
科学领域:
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学.
- 计算生物学 计算生物学
背景情况:
- 组织病理学依赖于形态学,缺少化学数据.
- 拉曼光谱提供了化学洞察力,但面临着低吞吐量和数据挑战.
- 高维,杂的拉曼数据阻碍了分析.
研究的目的:
- 介绍RamanMAE,一种使用面具自动编码器的光谱语言模型.
- 实现生物应用的有效光谱处理,特别是在有限的数据的情况下.
- 从拉曼光谱中学习有意义的潜伏表征.
主要方法:
- 在大型拉曼光谱数据集上应用了面具自动编码器 (RamanMAE).
- 利用光谱语言建模用于数据处理.
- 开发了下游机器学习方法,使用学习的表示.
主要成果:
- 实现了面具光谱斑块的优秀重建.
- 学习了捕捉生物组成的潜在表征.
- 证明了解码器在降噪和功能可视化方面的有效性.
- 在不同的生物应用中展示了学习表征的可转移性.
结论:
- 拉曼MAE提供有效的光谱处理和降噪.
- 学习的潜伏表示对于下游机器学习有价值.
- 该模型增强了生物特征本地化和光谱图中的可视化.
- 拉曼MAE显示出在生物研究中推进拉曼光谱学的巨大潜力.
