基于深度学习的隐状态方法实现无动力学方案的单分子荧光事件自动分类

《Nature Communications》：Automated kinetic-scheme-free sorting of single-molecule fluorescence events using a deep learning based hidden-state method

　　

摘要

单分子荧光技术通过解析群体测量无法触及的分子异质性和瞬态状态，彻底改变了我们探测生物分子动力学的能力。然而，传统的分析流程仍受到若干因素的制约，这些因素既损害了结果的可重复性，也影响了对罕见但具有生物学意义事件的检测。为克服这些挑战，我们开发了DASH，这是一个自动化的框架，集成了双向长短期记忆网络、条件随机场和隐马尔可夫模型，用于对单分子荧光轨迹进行无偏分析。这一统一平台执行三个关键功能：（1）自动化轨迹分类，（2）构象状态分配，（3）无需动力学方案的事件排序，所有步骤均无需用户定义的动力学模型。我们展示了DASH在多种蛋白质和核酸系统中的广泛适用性。通过在事件排序阶段消除人工干预和任何预定义的动力学方案，DASH提供了一个标准化、可推广的平台，用于从单分子动力学中提取全面的机理洞察，尤其适用于表现出复杂动态异质性的系统。