Deep Learning-Driven Peptide Classification in Biological Nanopores
研究人员提出一种基于深度学习的肽分类新方法，将电阻脉冲信号通过连续小波变换转化为适合卷积模型的标量图。该方法在包含 42 种肽的六组数据集上测试，对未参与训练的事件实现了 $82\,\%$ 的宏观平均分类准确率，较此前基于描述符的方法提升了 $8.6$ 个百分点。此外，该模型表现出对压缩的强鲁棒性，在权重减半及小于 8 位量化条件下仍能保持精度，满足部署于嵌入式传感硬件的需求。研究证实，物理驱动的信号表示能使复杂的单分子数据适用于现代学习算法，为点-of-care 肽和蛋白诊断提供了技术路径。