Les chercheurs utilisent l’apprentissage en profondeur pour «  débruiter  » les données nanoporeuses

Au-dessus du bruit

L’apprentissage en profondeur aide les chercheurs à trouver des caractéristiques cachées dans les signaux d’impulsion résistifs lors de la détection nanoporeuse d’objets à l’échelle nanométrique. Crédit: Université d’Osaka

Des scientifiques de l’Institut de recherche scientifique et industrielle de l’Université d’Osaka ont utilisé des méthodes d’apprentissage automatique pour améliorer le rapport signal / bruit dans les données collectées lorsque de minuscules sphères sont passées à travers des nanopores microscopiques découpés dans des substrats de silicium. Ce travail peut conduire à une collecte de données beaucoup plus sensible lors du séquençage de l’ADN ou de la détection de petites concentrations d’agents pathogènes.

La miniaturisation a ouvert la possibilité à une large gamme d’outils de diagnostic, tels que la détection au point de service des maladies, d’être réalisée rapidement et avec de très petits échantillons. Par exemple, des particules inconnues peuvent être analysées en les passant à travers des nanopores et en enregistrant de minuscules changements dans le courant électrique. Cependant, l’intensité de ces signaux peut être très faible, et est souvent ensevelie sous un bruit aléatoire. De nouvelles techniques pour extraire les informations utiles sont clairement nécessaires.

Désormais, des scientifiques de l’Université d’Osaka ont utilisé l’apprentissage en profondeur pour «débruiter» les données nanoporeuses. La plupart des méthodes d’apprentissage automatique doivent être entraînées avec de nombreux exemples «propres» avant de pouvoir interpréter des ensembles de données bruyants. Cependant, en utilisant une technique appelée Noise2Noise, qui a été initialement développée pour améliorer les images, l’équipe a pu améliorer la résolution des courses bruyantes même si aucune donnée claire n’était disponible. Des réseaux de neurones profonds, qui agissent comme des neurones en couches dans le cerveau, ont été utilisés pour réduire les interférences dans les données.

«Le débruitage profond nous a permis de révéler de faibles caractéristiques dans les signaux de courant ionique cachés par des fluctuations aléatoires», explique le premier auteur Makusu Tsutsui. « Notre algorithme a été conçu pour sélectionner les fonctionnalités qui représentaient le mieux les données d’entrée, permettant ainsi à l’ordinateur de détecter et de soustraire le bruit des données brutes. »

Le processus a été répété plusieurs fois jusqu’à ce que le signal sous-jacent soit récupéré. Essentiellement, de nombreuses courses bruyantes ont été utilisées pour produire un signal propre.

«Notre méthode peut étendre la capacité de détection des nanopores pour une détection rapide et précise des maladies infectieuses», explique l’auteur principal Takashi Washio. « Cette recherche peut conduire à des tests diagnostiques beaucoup plus précis, même lorsque le signal sous-jacent est très faible. »


Tri des virus avec l’apprentissage automatique


Plus d’information:
Détection nanoporeuse améliorée par apprentissage profond de la dynamique de translocation d’une seule nanoparticule. Petites méthodes, DOI: doi.org/10.1002/smtd.202100191

Fourni par l’Université d’Osaka

Citation: Les chercheurs utilisent l’apprentissage en profondeur pour «  débruiter  » les données nanopores (2021, 14 mai) récupéré le 14 mai 2021 sur https://techxplore.com/news/2021-05-deep-denoise-nanopore.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.