基于VAE的编码DNA载体阻断事件聚类分析与研究

纳米孔道检测技术是单分子检测领域一个重要的研究方向。对纳米孔道阻断电流信号进行特征提取和转换,是对阻断事件进行分类以确定分析物种类的关键。由于有监督学习只能对已知种类的阻断事件进行预测,难以实现对信号本质特征的区分,因此本文基于编码DNA载体的阻断事件,利用卷积神经网络的特征提取特性,提出了一种应用于纳米孔道信号的无监督聚类方法。结合深度嵌入聚类和变分自编码器(Variational Autoencoder, VAE),实现了对阻断事件的特征转换和聚类的整体性训练。实验结果表明,该聚类方法能对编码DNA载体阻断事件提供较好的聚类结果,与其他聚类算法相比,最高提升了29%的聚类精度,具有更高的聚类准确度。

一种时序信号分类算法在纳米孔道离子电流信号识别中的应用

纳米孔道单分子分析技术通常利用阻断电流的时域特征进行识别.但对于结构、分子量等相似的物质,由于其时域特性交叠,采用传统的纳米孔道识别方法难以准确分辨.为了充分挖掘具有差异性的深层特征,提升纳米孔道离子流信号识别准确率,提出了一种时序信号分类算法.通过有重叠的滑动窗口对原始信号进行分帧,并利用连续小波变换对逐帧信号进行处理,可准确获取单分子事件的时频域浅层特征信息.在此基础上,利用多分支层间特征融合网络处理获取深层特征.采用可信统计预测策略对子信号的分类概率统计,该算法对单氨基酸差异多肽的纳米孔道离子电流信号的识别准确率高达99.00%,可显著提高纳米孔道对分子量相似甚至相同的单分子的传感能力.

基于改进生成式对抗网络的编码DNA分子识别

纳米孔道单分子检测技术通过在纳米孔道中捕获分子穿过时产生的离子流变化信号来研究单个分子的信息。然而,由于纳米孔道对不同分子的捕获率不同,因此采集到的单分子数据集不平衡,进而影响分子识别的准确率。本文基于编码DNA分子的阻断事件,构建以深度卷积生成式对抗网络(DCGAN)为基本框架的模型,实现少数类样本的扩充,从而达到纳米孔道数据集的平衡处理,并采用QuipuNet对平衡前后的数据集进行训练和识别。结果表明,采用DCGAN平衡数据集后,训练后的QuipuNet对部分"100"编码分子的识别准确率提升了14%,且平均识别准确率均高于其他扩充数据集的方法,验证了采用DCGAN扩充编码DNA分子数据以平衡数据集可有效提高模型训练后对实际信号的识别准确率。