Японские ученые использовали методы машинного обучения для улучшения отношения сигнал/шум в данных об изменении электрического тока при прохождении сфер через микроскопические нанопоры в кремниевой подложке. Исследование поможет повысить точность данных при секвенировании ДНК и обнаружении патогенов. Статья опубликована в журнале Small Methods.
Миниатюризация открывает новые возможности для диагностики, позволяя быстро обнаруживать патогены в небольшом количестве образца. Например, неизвестные частицы можно описать, пропустив их через нанопоры и записав изменения электрического тока, происходящие при этом. Однако интенсивность таких сигналов очень низкая, часто она скрывается за случайными шумами. Поэтому ученые ищут новые методы для извлечения полезной информации из шумных данных.
Ученые из Института научных и промышленных исследований Осакского университета использовали методы глубокого обучения для удаления шума из данных по нанопорам. Обычно подобные методы требуют длительного обучения на множестве примеров, только после этого они смогут точно интерпретировать шумные данные. Однако, используя алгоритм «Noise2Noise», изначально разработанный для улучшения качества изображений, авторы смогли улучшить качество шумных данных.
«Глубокое шумоподавление позволило нам выявить едва заметные особенности сигналов ионного тока, скрытые за случайными колебаниями, — говорит первый автор Макусу Цуцуи. — Наш алгоритм разработан для выбора функций, которые лучше всего представляют входные данные, что позволяет компьютеру обнаруживать и вычитать из них шум».
Этот процесс повторяется множество раз, пока основной сигнал не будет восстановлен. Метод поможет расширить возможности использования нанопор для быстрой и точной диагностики инфекционных заболеваний, а также секвенирования ДНК.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
