유전영동력의 정확한 예측을 위한 머신러닝과 딥러닝 회귀 프레임워크 비교

Scientific Reports 12권, 기사 번호: 11971(2022) 이 기사 인용

4201 액세스

2 인용

1 알트메트릭

측정항목 세부정보

섬유 전극 기반 DEP 감지 장치의 미세 입자에서 호출되는 유전 영동력을 정확하게 정량화하기 위해 기계 학습(ML) 및 딥 러닝(DL) 아키텍처를 사용하는 지능형 감지 프레임워크가 보고됩니다. 프레임워크의 예측 정확도와 일반화 능력은 실험 결과를 통해 검증되었습니다. 다양한 입력 전압에서의 진주 사슬 정렬 이미지는 Saccharomyces cerevisiae(효모) 세포와 폴리스티렌 마이크로비드의 진주 사슬 정렬 패턴을 DEP 힘과 연관시킬 수 있는 수정된 ML 및 CNN 아키텍처를 사용하여 심층 회귀 모델을 구축하는 데 사용되었습니다. K-Nearest Neighbor, Support Vector Machine, Random Forest, Neural Networks, Linear Regression 등 다양한 ML 모델과 AlexNet의 CNN(Convolutional Neural Network) 아키텍처, ResNet-50, MobileNetV2, GoogLeNet 등의 DL 모델을 분석했습니다. 효모 세포와 마이크로비드에 유도된 힘을 추정하기 위한 효과적인 회귀 프레임워크를 구축하기 위해. 모델의 효율성은 평균 절대 오차, 평균 절대 상대 오차, 평균 제곱 오차, R-제곱 및 RMSE(평균 제곱근 오차)를 평가 지표로 사용하여 평가되었습니다. RMSPROP가 포함된 ResNet-50은 효모 세포에서 검증 RMSE 0.0918로 최고의 성능을 제공한 반면, ADAM 최적화 프로그램이 포함된 AlexNet은 마이크로비드에서 검증 RMSE 0.1745로 최고의 성능을 제공했습니다. 이는 DEP 지원 Lab-on-Chip 장치에 딥 러닝을 적용하는 추가 연구를 위한 기준을 제공합니다.

DL 및 ML과 같은 도구는 인공 지능의 필수적인 부분입니다1,2,3. 이미지 분석을 위한 ML에는 일반적으로 이미지에서 중요한 특징을 추출하고 기계 학습 모델을 교육하는 작업이 포함됩니다4. 추출된 특징이 특정 이미지를 명확하게 나타낼 때 기계 학습은 매우 효율적일 수 있습니다. 이미지를 특징 벡터로 변환하고 모델을 교육해야 합니다4,5,6. 는 이미지에서 발생의 존재, 부재 또는 가능성을 예측하기 위해 기계 학습을 사용한 접근 방식의 예입니다. 그러나 복잡한 이미지에서 중요한 특징을 추출하는 것은 복잡합니다. 또는 딥 러닝은 입력 기능에 의존하지 않습니다. 오히려 DL 모델은 처리된 이미지에서 중요한 특징을 식별하고 식별된 특징을 기반으로 분류합니다. 컴퓨터 단층촬영(CT), 자기공명영상(MRI), 양전자방출단층촬영(PET), 유방조영술, 초음파, 조직병리학 등의 딥러닝을 통해 추출된 특징 맵은 귀중한 정보를 제공합니다4,7,8. 세포 생물학에서 DL 기반 접근법은 주로 세포 형태의 변화를 감지하고 이를 약물 반응을 관리하는 메커니즘과 연관시키기 위해 채택됩니다7,8. 뇌, 전립선, 망막, 폐의 이미지는 딥러닝 알고리즘과 결합되어 건강 상태를 예측하는 경우가 많습니다. U-Net, ResNet 및 VGG는 의료 영상 분할 및 분류 작업에 가장 자주 사용되는 컨볼루션 신경망 기반 네트워크입니다. 최근 코로나19 연구에는 전이학습(transfer learning)과 GAN 기반 네트워크가 널리 적용되고 있다. DL 훈련에는 집약적인 데이터 처리와 긴 훈련 시간이 필요하지만 고성능 GPU 및 레이블이 지정된 데이터와 함께 사용하면 정확한 예측을 제공합니다. 이 연구에서 우리는 현장 진료 장치의 미세 입자 정렬로부터 유전 영동 힘의 크기를 추정하기 위해 기계 학습과 딥 러닝 접근 방식을 모두 사용하는 모델을 설계했습니다.

현장 진단 감지 장치에 DEP를 적용하려면 두 가지 중요한 요구 사항이 필요합니다. (1) 저전압(< 10 전압) 물리적 장치 (2) 미세 입자 진주 사슬 형성을 유전 영동력과 연관시킬 수 있는 지능형 시스템.

미세입자에 작용하는 유전영동력(\({F}_{\mathrm{DEP}}\))은 유전 특성 변화(식 1)와 직접적으로 연관될 수 있습니다. DEP 힘은 또한 전기장 강도, 입자 크기 및 매체 전도도9,10,11,12에 비례합니다. 실제로 특정 전압 및 주파수에서 전극에 대한 입자 정렬은 DEP 힘의 지표로 간주됩니다. 입자 정렬은 실험마다 다르지만 입자 집합체의 일부 특징은 지배적이고 독특합니다. \({F}_{\mathrm{DEP}}\)는 미세 입자에 작용하여 입자를 진주 사슬 어셈블리로 유도하여 결국 전기장을 따라 정렬됩니다. 예를 들어, 인가된 전압에서 진주 사슬의 입자 수는 비교적 일정한 것으로 밝혀졌습니다. 이 패턴은 과거 여러 연구자들에 의해 확인되었습니다. 5 µm PS 비드15를 사용한 실험에서 10-12개의 비드가 있는 진주 체인이 200kHz에서 15Vpp의 적용 전위에 대해 형성되었습니다. 마찬가지로, 10 µm PS 비드는 낮은 전도도 버퍼(1.8 × 10-4 S/m)에서 20 MHz, 20 Vpp에서 7-12개의 비드가 있는 진주 사슬을 형성했습니다. 480kHz 주파수의 3.8Vpp 전압을 가했을 때 PS 비드의 In16 음의 DEP가 관찰되어 6-7개의 비드 길이 진주 사슬을 형성했습니다. 효모 세포에 대한 유사한 연구에서는 580kHz의 필드 주파수에서 전압(3.7Vpp)이 양성 DEP를 나타냈을 때 보고되었으며, 응집된 입자의 수는 적용된 전압과 관련이 있는 것으로 나타났습니다.