smDeepFLUOR: single-molecule deep learning fluorescence classification

Jinseob Lee

doi:10.1038/s41467-026-74716-3

smDeepFLUOR: single-molecule deep learning fluorescence classification

2026-06-21

0

OA

AI

DOI：10.1038/s41467-026-74716-3

原文链接

原文求助

摘要

En 中文

荧光强度变化长期以来一直作为监测生物事件的主要读数方式。然而，由不同分子事件产生的单荧光团信号往往表现出相似的强度特征，使得使用常规方法进行进一步分类具有挑战性。本研究中，我们引入了smDeepFLUOR，一种基于深度学习的框架，能够通过揭示常规分析难以察觉的潜在特征，解析看似同质的时空荧光信号。通过利用在7×7×10体素窗口内捕获的图像序列训练的三维卷积神经网络，smDeepFLUOR可靠地区分了特异性与非特异性蛋白质结合，即使在不同的实验日之间，其准确率也高达97%。值得注意的是，smDeepFLUOR还能通过识别荧光团与新生DNA 3’端之间空间距离的细微变化，捕获实时DNA合成动力学，这一特征传统方法无法检测。这些分类是在不引入显式物理规则或工程特征的情况下实现的，表明存在固有的、此前未被认识的发射模式差异。该方法显著扩展了单分子荧光成像的分析能力，并为极低标记量和无标记蛋白质活性研究开辟了新途径。单分子荧光成像在强度特征相似时难以区分不同分子事件的信号。本研究中，作者引入了smDeepFLUOR，一种深度学习框架，能够以高精度对多样化分子事件的时空荧光信号进行分类，揭示了常规分析难以察觉的细微差异。

smDeepFLUOR: single-molecule deep learning fluorescence classification

摘要

期刊

机构

引用论文