可解释深度学习用于单分子纳米孔指纹使用物理引导的预处理
Arjav Shah1,2, Xin Kai Lee3,4, Kun Li2,5
1Department of Chemical Engineering, Massachusetts Institute of Technology , Cambridge, Massachusetts 02139, United States.
ACS sensors
|February 20, 2026
概括
我们开发了一个可解释的机器学习框架,用于纳米孔传感,提高分子指纹的准确性. 这种方法分析了原始离子电流脉冲,为增强的生物传感应用提供了物理一致的归因.
科学领域:
- 生物技术是生物技术.
- 数据科学数据科学数据科学
- 分析化学 分析化学
背景情况:
- 纳米孔传感通过离子电流脉冲提供单分子分析.
- 当前的方法依赖于手工制作的特征,可能缺少结构信息.
- 在各种应用中需要强大的和可解释的分子指纹.
研究的目的:
- 开发一种可解释的机器学习框架,用于分析原始纳米孔传感数据.
- 为了提高准确性,并为分子识别提供物理一致的归因.
- 建立基于脉冲传感的定制过器的实用设计原则.
主要方法:
- 开发了一种以物理为导向的时间频率转换,与一个紧的神经分类器配对.
- 直接运行在原始离子电流脉冲上,绕过传统的特征提取.
- 包括基线模型:支持矢量机器 (SVM) 和生脉的1D分类器.
主要成果:
- 在区分具有重叠标准特征的DNA纳米结构方面取得了高精度.
- 产生了物理一致的特征归属,突出了歧视性信号动机.
- 证明了物理引导预处理的好处,以提高可靠性.
结论:
- 可解释的机器学习框架提高了纳米孔感应的准确性和透明度.
- 该方法是模块化的,轻量级的,适用于各种基于脉冲的传感平台.
- 这项工作使可部署的传感解决方案适用于受监管和任务关键环境.


