.png){kind=icon}
返回
Interpretable Deep Learning for Single-Molecule Nanopore Fingerprinting Using Physics-Guided Preprocessing
.png){kind=icon}
PRE
AI
DOI：10.1021/acssensors.5c04784.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
快速且稳健的分子指纹识别在生物制造、诊断和环境监测中至关重要。纳米孔传感提供单分子读出作为瞬时离子电流脉冲；然而，传统分析方法依赖于手工设计的特征，这些特征会遗漏信息性的结构信息。我们提出了一种可解释的机器学习框架，该框架直接对原始脉冲进行操作，结合了基于物理的时频变换、紧凑的神经网络分类器和特征归因图。我们还包含了基于传统特征的SVM和支持向量机（SVM）以及一个在原始脉冲上训练的1D分类器作为基线。针对两种尺寸相似但几何形状不同的自组装DNA纳米结构（其标准脉冲特征存在重叠），该方法实现了高精度，并产生物理上合理的归因，突出了具有区分性的信号基序。一个不包含时频变换的匹配对照实验阐明了何时学习的滤波器已足够，何时基于物理的预处理能提高可靠性，从而得出一个实用的“定制滤波器”设计原则。该工作流程模块化、轻量级，适用于脉冲传感平台，包括病毒和微泡分析、电化学监测以及工业故障检测。通过结合准确性与透明性，它为在受监管的关键任务环境中部署传感平台奠定了基础。
Keyword:
Genetics
Layers
Nanopores
Nanostructures
Neural networks
nanopore sensing
DNA nanostructures
single-molecule fingerprinting
machine learning
explainable AI
wavelet transform
signal processing
convolutional neural networks
期刊
IF:
9.1
论文数:
1.0K
被引数:
2.6W
机构
引用论文
Discrimination between exosomes and HIV-1: Purification of both vesicles from cell-free supernatants
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏分享收藏Nanopore sequencing technology, bioinformatics and applications纳米孔测序技术、生物信息学及应用.png)
NATURE BIOTECHNOLOGY
OAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏Combining machine learning and nanopore construction creates an artificial intelligence nanopore for coronavirus detectionNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容