NanoBoost：一种基于小波变换优化的用于纳米孔传感的机器学习算法

《npj Biosensing》：NanoBoost: a wavelet transform-enhanced machine learning algorithm for nanopore sensing

　　

摘要

纳米孔传感技术已发展成为一种强大的单分子分析工具，而分子载体在提升信号特异性以及实现多重诊断方面发挥着关键作用。其中，纳米粒子因其尺寸和形状可调控的特性而具有独特优势，这类特性能使它们在传输过程中产生不同的电信号特征，从而拓宽生物标志物检测的范围。在本研究中，我们提出了一种机器学习方法，该方法将极端梯度提升（XGBoost）框架与离散小波变换（DWT）的新应用相结合，用于高精度地分类纳米球和纳米棒型纳米粒子。通过提取与纳米孔事件相关的特定小波特征，该模型在尺寸分类（5纳米纳米球与10纳米纳米球）方面的准确率为91%，在形状分类（纳米球与纳米棒）方面的准确率为99%。特征重要性分析表明，模型的决策基于物理信号特征。无监督学习则发现了五种不同的纳米棒传输模式，这些模式与翻转、与孔壁相互作用等各向异性行为相关。透射电子显微镜（TEM）分析进一步验证了结构的多样性，为分类结果提供了支持。该方法还被应用于DNA传输事件的分析，识别出了关键的构象状态，展现了其多功能性。这项工作为基于纳米粒子的分子载体设计奠定了基础，可用于纳米孔诊断及未来应用，实现单分子水平上的实时、高精度生物标志物筛查。