机器学习助力荧光相关光谱技术（FCS）推断异常分子运动：突破局限，拓展研究边界

为解决传统荧光相关光谱技术（FCS）无法分析部分运动模型且采集时间长的问题，研究人员开展了利用机器学习改进 FCS 分析方法的研究。结果显示新方法可区分多种运动，性能与单粒子追踪（SPT）顶尖算法相当，能监测参数变化，这增强了 FCS 分析能力。

　　活细胞中分子的随机运动常偏离标准布朗运动，这种现象被称为 “异常扩散”。研究活细胞中该现象的主要方法有荧光相关光谱技术（FCS）和单粒子追踪（SPT）。传统 FCS 分析方法无法考虑自相关函数无解析表达式的运动模型，比如异常连续时间随机游走（CTRW）和分形随机游走（RWf），且整个采集序列需几十分钟。研究提出新分析方法，基于自相关函数估计为每个 FCS 记录关联特征向量，利用机器学习推断潜在运动模型并估计运动参数值。通过模拟记录发现，该方法使 FCS 能区分多种标准和异常随机运动，性能与 SPT 的顶尖算法相当，适用于多种 FCS 设置参数。由于可应用于短时长的单个记录，新方法能监测运动参数的快速变化。研究人员还将此方法应用于校准荧光微珠在不同浓度甘油水溶液中的实验 FCS 记录，结果准确预测微珠遵循布朗运动，其扩散系数和异常指数与斯托克斯 - 爱因斯坦定律的经典预测相符，即使在高甘油浓度下也是如此。总之，该方法显著提升了 FCS 的分析能力，使其达到与顶尖 SPT 方法类似的水平。