深度神经网络筛选蛋白质组学高置信度定量肽段

质谱分析是蛋白质组学的重要研究方法。数据不依赖获取是一种稳定且复现性高的质谱仪数据采集方式,具有质荷比范围宽广,通量高等特点。DIA-NN是处理DIA蛋白质组学数据的主流定量软件之一。由于DIA-NN分析DIA数据后输出的肽段中存在低置信度肽段,生物学家需要根据肽段碎片离子色谱峰组图(XICs)的相似性来人工筛选出高置信度肽段。人工筛选的任务量大、耗时长,并且筛选标准因人而异,这导致结果具有主观性。本文提出了一种名为MSDeepFilter的算法,它基于深度学习技术,能够自动筛选出高置信度的肽段。MSDeepFilter算法结合压缩激励神经网络和残差网络设计深度学习模型,从XICs中提取特征,以此区分高置信度和低置信度肽段。与传统机器学习模型Adaboosting和支持向量机模型相比,MSDeepFilter模型在基准数据集上的多项分类性能指标均表现更优,测试集AUC值达到了98.7%。这表明MSDeepFilter具有优秀性能,可以替代人工筛选的环节。

数据不依赖获取的质谱数据的深度学习分析方法

近年来,数据不依赖获取(data-independent acquisition,DIA)质谱技术在蛋白质组学领域内被广泛关注.然而DIA质谱数据具有维度高、背景噪声大、多种信号混合等特点,这使得DIA质谱数据的分析成为一大挑战.本文提出一种基于深度学习的可直接处理DIA质谱数据的算法:Ultra-DIA.该算法使用深度变分自动编码器提取离子信号的特征来区分不同肽段产生的子离子,最终生成虚拟谱图,进而对肽段和蛋白进行定性和定量分析.对于测试数据,该算法找到的肽段数量和蛋白数量比主流算法DIA-Umpire分别多61.4%和64.5%.此外,相较于DIA-Umpire,该算法能够找到更多低浓度的蛋白.

睡眠呼吸暂停的人工智能分析

睡眠呼吸暂停是一种与睡眠相关的呼吸障碍,如果同时引起慢性低氧血症及高碳酸血症,则通常被称为睡眠呼吸暂停综合征。睡眠多导图监测通常被用于睡眠呼吸暂停的判定和确诊,但睡眠多导图人工分析是一项耗时耗力的工作,因此自动判定睡眠呼吸暂停显得尤为重要。本文介绍了睡眠呼吸暂停的各种人工智能分类方法,包括基于统计规则的分类和基于深度学习的分类,而分析的数据可成单通道生理数据和多通道睡眠数据。通过对不同方法的分类结果进行对比讨论,显示基于深度学习对多通道数据进行多任务分析是未来关于睡眠呼吸暂停研究的主流方法。

应用深度神经网络对多导睡眠图的睡眠分期研究

传统上,自动睡眠分期是一项非常具有挑战性且费时费力的任务。大多数现有的自动睡眠分期方法都基于单通道的脑电(electroencephalography, EEG)数据,然而,这些方法忽略了医师从整体上观测多个通道EEG信号进行睡眠阶段评分的过程。为了解决这一问题,我们优化了数据结构,对医师的评分过程进行了详细的学习与建模,提出了一种基于多通道脑电图的自动睡眠评分方法。我们介绍了在原始EEG与EOG样本上使用深度卷积神经网络(convolutional neural network, CNN)进行睡眠阶段评分的监督学习。该网络具有11层,每30 s的睡眠数据作为一个分期,并且不需要任何信号预处理或特征提取。本文使用来自福建省某医院的EEG与EOG及专家评估的多导睡眠图(polysomnography, PSG)数据对系统进行训练和评估。实验结果表明,在自动睡眠分期的研究中不应该忽略EOG数据。我们的系统性能与中级睡眠分期专家的结果相当。

睡眠自动分期方法综述

睡眠是人体必不可少的一项生理活动。通常,专家将病人整夜的脑电EEG数据以30秒为一帧进行睡眠状态分期并据此进行睡眠状态的分析与评估。然而,依靠人工标记睡眠数据需要消耗大量的精力。另一方面,专家的主观判断也会对分期结果带来误差。所以睡眠的自动分期就变得很重要,本文将介绍近年来的睡眠分期方法,分别是基于统计规则分期方法与基于深度学习技术的分期方法。在统计的分期方法中,介绍了三个重要的过程,预处理、特征提取以及分类器的选择。在基于深度学习的分期方法中,介绍了多层神经网络、卷积神经网络、长短时记忆神经网络以及不同网络组合的神经网络。最后我们对睡眠分期的研究进行了讨论, 认为深度神经网络将是未来睡眠分期研究主要方法。

骨科康复医疗领域知识图谱建立及其分析

知识图谱作为知识的结构化表示,已成为智能认知系统的一个重要研究方向。本文主要通过抓取网络上以骨科康复治疗知识为主的各种医学知识,通过数据清洗将这些医学数据整合成以疾病为中心的结构化知识。同时辅助权威书籍和医生专家对数据进行修正和增删。最终将数据存入图数据库,构建七类约9.6万的实体节点、十类约109万的实体关系以及九类属性类型的医疗健康知识图谱。本文进一步对构建的知识图谱进行通用疾病和骨科疾病分析,发现实体关系边数分布满足幂律分布,同时分析了各类型实体关系边数排行榜,为病人食谱、症状、检查项目和并发症等选择提供一定的参考价值,本知识图谱也为骨科康复的互联网远程智能问诊打下基础。

Motile parameters of cell migration in anisotropic environment derived by speed power spectrum fitting with double exponential decay

Cell migration through anisotropic microenvironment is critical to a wide variety of physiological and pathological processes.However,adequate analytical tools to derive motile parameters to characterize the anisotropic migration are lacking.Here,we proposed a method to obtain the four motile parameters of migration cells based on the anisotropic persistent random walk model which is described by two persistence times and two migration speeds at perpendicular directions.The key process is to calculate the velocity power spectra of cell migration along intrinsically perpendicular directions respectively,then to apply maximum likelihood estimation to derive the motile parameters from the power spectra fitting with double exponential decay.The simulation results show that the averaged persistence times and the corrected migration speeds can be good estimations for motile parameters of cell migration.