Rice Üniversitesi’ndeki araştırmacılar, moleküllerin, malzemelerin ve hastalık biyobelirteçlerinin “ışık imzalarını” (optik spektrumları) yorumlamada mükemmel olan yeni bir makine öğrenimi (ML) algoritması geliştirdiler ve potansiyel olarak daha hızlı ve daha hassas tıbbi teşhisler ve numune analizi sağladılar.
“Alzheimer veya Covid-19 gibi erken hastalıkların erken belirtilerini sadece bir damla sıvı veya doku örneği üzerine bir ışık tutarak tespit edebildiğinizi düşünün,” dedi Ziyang Wang, Rice’da bir elektrik ve bilgisayar mühendisliği doktora öğrencisi olan Ziyang Wang ACS Nano. “Çalışmamız bunu bilgisayarlara küçük moleküllerden dağılmış ışığın sinyalini nasıl daha iyi okuduklarını öğreterek mümkün kılar.”
Her malzeme veya molekül ışıkla benzersiz bir şekilde etkileşir, parmak izi gibi farklı bir desen üretir. Işığın onunla nasıl etkileşime girdiğini gözlemlemek için bir materyal üzerinde bir lazerin parlamasını gerektiren optik spektroskopi, kimya, malzeme bilimi ve tıpta yaygın olarak kullanılmaktadır. Bununla birlikte, spektral verilerin yorumlanması zor ve zaman alıcı olabilir, özellikle numuneler arasındaki farklar ince olduğunda. Pik-duyarlı elastik-net lojistik regresyon (PSE-LR) olarak adlandırılan yeni algoritma, ışık tabanlı verileri analiz etmek için özel olarak tasarlanmıştır.
Wang, “Bir dokunun veya diğer biyolojik örneğin optik spektrumları, vücudun içinde neler olduğu hakkında çok şey ortaya çıkarabilir.” Dedi. “Bu önemlidir, çünkü daha hızlı ve daha doğru hastalık tespiti daha iyi tedavilere yol açabilir ve hayat kurtarabilir. Sağlığın ötesinde, yöntemimiz bilim adamlarının yeni materyalleri anlamalarına yardımcı olabilir, bu da daha akıllı sensörlere ve daha küçük teşhis cihazlarına yol açabilir.”
PSE-LR sadece farklı örnekleri doğru bir şekilde sınıflandırmakla kalmaz, aynı zamanda karar vermesinde de şeffaftır-birçok gelişmiş ML modelinin özellikle iyi olmadığı bir şey. PSE-LR, spektrumun hangi bölümlerinin bir sınıflandırma kararına tam olarak katkıda bulunduğunu vurgulayan bir “özellik önemi haritası” sunar ve sonuçları yorumlamayı, doğrulamayı ve harekete geçirir.
“Algoritmamız sinyalin en önemli kısımlarına odaklanacak şekilde tasarlanmıştır; en önemli zirveler,” dedi Wang, PSE-LR’yi “ışık sinyallerinde gizlenmiş ipuçlarını bulmayı öğrenen bir dedektifle” karşılaştırarak.
Araştırmacılar, PSE-LR’yi diğer ML modellerine karşı test ettiler ve özellikle ince veya örtüşen spektral özelliklerin tanımlanmasında gelişmiş performans gösterdiler.
Wang, “Çoğu model ya küçük ayrıntıları kaçırıyor ya da anlayamayacak kadar karmaşık.” Dedi. “Hem akıllı hem de açıklanabilir bir şey inşa ederek bunu düzeltmeyi amaçladık.”
Model ayrıca, akışkan örneklerinde SARS-COV-2 sivri proteininin ultralow konsantrasyonlarını tespit etmek, fare beyin dokusundaki nöroprotektif çözeltileri tanımlamak, Alzheimer hastalık örneklerini sınıflandırma ve 2D semizdüksleri arasında ayrım yapma da dahil olmak üzere, gerçek dünya zekasını ölçen bir dizi testte iyi performans gösterdi.
Elektrik ve bilgisayar mühendisliği ve malzeme bilimi ve nano-mühendislik profesörü olan Shengxi Huang, “Aracımız genellikle geleneksel yöntemleri kullanmaya zorlanması zor olan çok ince sinyaller için ayrıştırabilir.” Dedi.
Yeni algoritma, yeni teşhis, biyosensör veya nanodevizlerin geliştirilmesini sağlayabilir.
Wang, “Bu bulgular tıbbi teşhis ve malzeme bilimini dönüştürmeye yardımcı olabilir ve bizi akıllı teknolojilerin sağlık sorunlarını daha hızlı ve daha etkili bir şekilde tespit etmeye ve yanıtlamaya yardımcı olduğu bir dünyaya yaklaştırabilir.” Dedi.
