Py学习  »  机器学习算法

研究进展:Nature Methods-机器学习 | 干涉散射显微镜

今日新材料 • 2 年前 • 422 次点击  

干涉散射Interferometric scattering( iSCAT)显微镜是一种无标记的光学方法,能够检测单个蛋白质,以纳米精度定位其结合位置,并测量其质量。在理想情况下,干涉散射显微镜iSCAT受到散粒噪声的限制,使得更多光子的收集应该将其检测灵敏度扩展到任意低质量的生物分子。然而,许多技术噪声源与斑点状背景波动相结合,限制了干涉散射显微镜iSCAT的检测极限。

近日,德国马普光学所(Max-Planck Institute for the Science of Light)Mahyar Dahmardeh, Houman Mirzaalian Dastjerdi,Vahid Sandoghdar等,在Nature Methods上发文,报道了用于异常检测的无监督机器学习隔离森林算法,将质量灵敏度极限提高了4倍,达到10kDa以下。基于用户定义的特征矩阵和自监督FastDVDNet ,并使用全内反射模式记录的相关荧光图像,验证这一结果。
该项研究,有望助力于生物分子和疾病标志物(如α-突触核蛋白、趋化因子和细胞因子)的微量光学研究。

Self-supervised machine learning pushes the sensitivity limit in label-free detection of single proteins below 10 kDa
自我监督的机器学习,将单个蛋白质的无标记检测的灵敏度限制在10kDa以下。

图1:光学设置。


图2:牛血清白蛋白bovine serum albumin,BSA(66kDa)的基准方法。


图3:检测分子量为21kDa(左栏)、18kDa(中栏)和9kDa(右栏)的极小蛋白。


图4:用户定义与不同信噪比signal-to-noise ratio,SNR的深度神经网络deep neural networks,DNN性能。


图5:干涉散射Interferometric scattering,iSCAT显微镜和全内反射荧光显微镜total internal reflection,TIRF之间符合产额的比较。


图6:蛋白质对比库。

(小注:kDa是原子质量单位。kDa,千道尔顿,在生物化学、分子生物学和蛋白组学中经常用于表示蛋白质等生物大分子。)


文献链接
https://www.nature.com/articles/s41592-023-01778-2
https://www.nature.com/articles/s41592-023-01778-2.pdf
https://doi.org/10.1038/s41592-023-01778-2
本文译自Nature。

推荐阅读
国际首台飞秒干涉散射显微镜研制成功
【综述】机器学习在肿瘤分子标志物挖掘中的研究进展
世界首次!成功了

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/152515
 
422 次点击