誘電泳動力を正確に予測するための機械学習と深層学習回帰フレームワークの比較

Scientific Reports volume 12、記事番号: 11971 (2022) この記事を引用

4201 アクセス

2 引用

1 オルトメトリック

メトリクスの詳細

機械学習 (ML) および深層学習 (DL) アーキテクチャを使用して、織物電極ベースの DEP センシング デバイス内の微粒子に引き起こされる誘電泳動力を正確に定量化するインテリジェント センシング フレームワークが報告されています。 フレームワークの予測精度と一般化能力は、実験結果を使用して検証されました。 さまざまな入力電圧でのパールチェーン整列の画像を使用して、修正された ML および CNN アーキテクチャを使用して深層回帰モデルを構築しました。このモデルは、出芽酵母細胞およびポリスチレンマイクロビーズのパールチェーン整列パターンを DEP 力と相関させることができます。 K 最近傍、サポート ベクター マシン、ランダム フォレスト、ニューラル ネットワーク、線形回帰などのさまざまな ML モデルと、AlexNet、ResNet-50、MobileNetV2、GoogLeNet の畳み込みニューラル ネットワーク (CNN) アーキテクチャなどの DL モデルが分析されています。酵母細胞とマイクロビーズに誘発される力を推定するための効果的な回帰フレームワークを構築するため。 モデルの効率は、評価指標として平均絶対誤差、平均絶対相対誤差、平均二乗誤差、R 二乗、および二乗平均平方根誤差 (RMSE) を使用して評価されました。 RMSPROP を備えた ResNet-50 は、酵母細胞に対して検証 RMSE 0.0918 で最高のパフォーマンスを示し、ADAM オプティマイザーを備えた AlexNet はマイクロビーズに対して検証 RMSE 0.1745 で最高のパフォーマンスを示しました。 これは、DEP 支援のラボオンチップ デバイスにおける深層学習のアプリケーションにおけるさらなる研究のためのベースラインを提供します。

DL や ML などのツールは、人工知能 1、2、3 に不可欠な部分です。 画像分析のための ML には通常、画像から重要な特徴を抽出し、機械学習モデルをトレーニングすることが含まれます4。 抽出された特徴が特定の画像を明確に表す場合、機械学習は非常に効率的になります。 画像を特徴ベクトルに変換し、モデルをトレーニングする必要があります4、5、6。 は、画像内の発生の有無、または可能性を予測するために機械学習が使用されているアプローチの例です。 ただし、複雑な画像から重要な特徴を抽出するのは複雑です。 あるいは、深層学習は入力特徴に依存しません。 むしろ、DL モデルは、処理された画像から重要な特徴を識別し、識別された特徴に基づいてそれらを分類します。 コンピューター断層撮影 (CT)、磁気共鳴画像法 (MRI)、陽電子放出断層撮影 (PET)、マンモグラフィー、超音波、および病理組織学からディープラーニングによって抽出された特徴マップは、貴重な情報を提供します 4、7、8。 細胞生物学では、細胞形態の変化を検出し、それらを薬物反応を支配するメカニズムと相関させるために、DL ベースのアプローチが主に採用されています 7,8。 脳、前立腺、網膜、肺の画像は、多くの場合、病状を予測するために深層学習アルゴリズムと組み合わせられます。 U-Net、ResNet、および VGG は、医療画像のセグメンテーションおよび分類タスクに最も頻繁に使用される畳み込みニューラル ネットワーク由来のネットワークです。 最近、転移学習と GAN 由来のネットワークが、新型コロナウイルス感染症の研究に広く適用されました。 DL トレーニングには大量のデータ処理と長いトレーニング時間が伴いますが、高性能 GPU とラベル付きデータを使用すると正確な予測が得られます。 この研究では、機械学習と深層学習の両方のアプローチを使用して、ポイントオブケア装置内の微粒子の整列から誘電泳動力の大きさを推定するモデルを設計しました。

ポイントオブケアセンシングデバイスにおける DEP の適用には、2 つの重要な要件が必要です。(1) 低電圧 (< 10 電圧) 物理デバイス (2) 微粒子パールチェーンの形成を誘電泳動力に関連付けることができるインテリジェントシステム。

微粒子に生じる誘電泳動力 (\({F}_{\mathrm{DEP}}\)) は、その誘電特性の変化と直接相関することができます (式 1)。 DEP 力は、電界強度、粒子寸法、媒体の導電率にも比例します 9、10、11、12。 実際には、特定の電圧および周波数での電極に対する粒子の整列が DEP 力の指標として使用されます。 粒子の整列は実験ごとに異なりますが、粒子凝集体の特徴のいくつかは支配的で独特です。 微粒子に作用する \({F}_{\mathrm{DEP}}\) は、微粒子をパールチェーン集合体に導き、最終的には電場に沿って整列します 13,14。 たとえば、印加電圧におけるパールチェーン内の粒子の数は比較的一定であることがわかっています。 このパターンは過去に何人かの研究者によって確認されています。 5 µm PS ビーズ15 を使用した実験では、200 kHz で 15 Vpp の印加電位で 10 ～ 12 個のビーズを含むパール チェーンが形成されました。 同様に、10 µm PS ビーズは、低伝導率バッファー (1.8 × 10−4 S/m) 中で 20 MHz、20 Vpp で 7 ～ 12 個のビーズでパールチェーンを形成しました。 周波数 480 kHz の 3.8 Vpp の電圧を印加すると、PS ビーズの In16 負の DEP が観察され、6 ～ 7 ビーズ長のパールチェーンが形成されました。 酵母細胞に関する同様の研究では、フィールド周波数 580 kHz の電圧 (3.7 Vpp) が正の DEP を示し、凝集した粒子の数が印加電圧に関連することが判明したことが報告されています 16,17。