Ora mi vedi: il modello di apprendimento automatico rende gli spettri più chiari / Now you see me: machine learning model makes spectra clearer

Ora mi vedi: il modello di apprendimento automatico rende gli spettri più chiari / Now you see me: machine learning model makes spectra clearer

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

È stato sviluppato un modello di apprendimento automatico che rende i dati della spettroscopia ottica più facili e rapidi da interpretare.

I ricercatori della Rice University (Texas, USA) hanno sviluppato un nuovo algoritmo di apprendimento automatico che interpreta gli spettri ottici di molecole, materiali e biomarcatori di malattie in campioni biologici, inclusi campioni di fluidi contenenti la proteina spike del SARS-CoV-2. Il modello potrebbe essere utilizzato per migliorare la diagnostica e l'analisi dei campioni.

La spettroscopia ottica viene utilizzata per determinare le proprietà fisiche, chimiche o strutturali di un campione irradiando un laser sul materiale ed osservando come la luce interagisce con esso. Sebbene sia una tecnica utile e ampiamente utilizzata, l'interpretazione dei dati spettrali risultanti può essere complessa e richiedere molto tempo, soprattutto quando le differenze tra i campioni sono minime.

Per risolvere questo problema, i ricercatori hanno sviluppato un algoritmo di apprendimento automatico chiamato Peak-Sensitive Elastic-net Logistic Regression (PSE-LR), specificamente progettato per l'analisi spettrale. PSE-LR classifica i campioni e produce una mappa di importanza delle caratteristiche sensibile ai picchi, che evidenzia le parti dello spettro che hanno contribuito alla decisione di classificazione, rendendo i risultati più facili da interpretare, verificare e su cui intervenire.

I ricercatori hanno confrontato il loro modello con altri esistenti e hanno scoperto che funzionava meglio, in particolare nell'identificare caratteristiche spettrali sottili o sovrapposte. "La maggior parte dei modelli trascura i dettagli più minuti od è troppo complessa da comprendere", ha affermato il primo autore Ziyang Wang. "Il nostro obiettivo era quello di risolvere questo problema costruendo qualcosa di intelligente e spiegabile al tempo stesso".

Applicato a campioni reali, il modello ha rilevato con successo concentrazioni bassissime della proteina spike del SARS-CoV-2 in campioni di fluidi, ha identificato soluzioni neuroprotettive nel tessuto cerebrale del topo, ha classificato campioni di malattia di Alzheimer e ha distinto tra semiconduttori 2D.

Il modello potrebbe contribuire allo sviluppo di nuovi sistemi diagnostici, biosensori o nanodispositivi. "Queste scoperte potrebbero contribuire a trasformare la diagnostica medica e la scienza dei materiali, avvicinandoci a un mondo in cui le tecnologie intelligenti aiutano ad individuare e rispondere ai problemi di salute in modo più rapido ed efficace", ha concluso Wang.

ENGLISH

A machine learning model has been developed that makes optical spectroscopy data easier and quicker to interpret.

Researchers from Rice University (TX, USA) have developed a new machine learning algorithm that interprets optical spectra of molecules, materials and disease biomarkers in biological samples, including fluid samples containing SARS-CoV-2 spike protein. The model could be used to improve diagnostics and sample analysis.

Optical spectroscopy is used to determine the physical, chemical or structural properties of a sample by shining a laser onto the material and observing how light interacts with it. While a useful and widely utilized technique, interpreting the resulting spectral data can be challenging and time-consuming, especially when the differences between samples are subtle.

To address this, the researchers developed a machine learning algorithm called Peak-Sensitive Elastic-net Logistic Regression (PSE-LR) that is tailored for spectral analysis. PSE-LR classifies samples and produces a peak-sensitive feature importance map, which highlights the parts of the spectrum that contributed to the classification decision, making results easier to interpret, verify and act on.

The researchers compared their model to other existing ones and found that it performed better, particularly when identifying subtle or overlapping spectral features. “Most models either miss the tiny details or are too complex to understand,” first author Ziyang Wang said. “We aimed to fix that by building something both smart and explainable.”

When applied to real-world samples, the model successfully detected ultralow concentrations of the SARS-CoV-2 spike protein in fluid samples, identified neuroprotective solutions in mouse brain tissue, classified Alzheimer’s disease samples and distinguished between 2D semiconductors.

The model could help develop new diagnostics, biosensors or nanodevices. “These findings could help transform medical diagnostics and materials science, bringing us closer to a world where smart technologies help detect and respond to health problems faster and more effectively,” concluded Wang.

Da:

https://www.biotechniques.com/computational-biology/now-you-see-me-machine-learning-model-makes-spectra-clearer/