هوش مصنوعی، مطالعه تک مولکول‌ها را ساده‌تر کرده است
به گزارش گروه دانشگاه خبرگزاری دانشجو، به نقل از ستاد توسعه فناوری نانو محققان دانشگاه ملی سنگاپور (NUS) نشان دادند که هوش مصنوعی و یادگیری عمیق به آن‌ها اجازه می‌دهد تا پویایی مولکول‌های منفرد را دقیق‌تر و با داده‌های کمتری نسبت به روش‌های ارزیابی رایج مشاهده کنند. آن‌ها از شبکه‌های عصبی حلقوی (CNN) برای مشاهده حرکت مولکول‌های منفرد در سیستم‌های مصنوعی، سلول‌ها و موجودات کوچک استفاده...
به گزارش گروه دانشگاه خبرگزاری دانشجو، به نقل از ستاد توسعه فناوری نانو محققان دانشگاه ملی سنگاپور (NUS) نشان دادند که هوش مصنوعی و یادگیری عمیق به آن‌ها اجازه می‌دهد تا پویایی مولکول‌های منفرد را دقیق‌تر و با داده‌های کمتری نسبت به روش‌های ارزیابی رایج مشاهده کنند. آن‌ها از شبکه‌های عصبی حلقوی (CNN) برای مشاهده حرکت مولکول‌های منفرد در سیستم‌های مصنوعی، سلول‌ها و موجودات کوچک استفاده کردند. این روش، اندازه‌گیری تک‌مولکول را در سیستم‌های پیچیده تسریع کرده و آن را برای طیف گسترده‌تری از محققان در دسترس قرار دهد. یک مولکول، اساسی‌ترین واحد قابل مشاهده در سیستم‌های بیولوژیکی است. درک رفتار و تعامل آن، بینش در مورد عملکرد سیستم‌های بیولوژیکی را ارتقاء داده و راه را برای درمان بیماری‌ها را هموار می‌کند. یکی از قدرتمندترین راه‌ها برای مشاهده مولکول‌های منفرد، طیف‌سنجی فلورسانس است. به دلیل سیگنال و ویژگی قوی این طیف‌سنجی است که اجازه می‌دهد تا مولکول‌های دارای برچسب مشاهده شوند. برای بیش از 50 سال، طیف‌سنجی همبستگی فلورسانس (FCS) در این زمینه مورد استفاده قرار می‌گیرد و اندازه‌گیری تحرک و تعامل مولکول‌ها با دقت بالایی انجام می‌شود. تصویربرداری با طیف‌سنجی همبستگی فلورسانس چالش‌هایی دارد، زیرا به مقدار زیادی داده (برای هر اندازه‌گیری حدود 100 مگابایت) نیاز دارد. این کار به پردازش محاسباتی گسترده نیاز دارد، که منجر به ارزیابی آهسته کار می‌شود. یک تیم تحقیقاتی، از روش‌های یادگیری عمیق برای کاهش میزان داده‌ها استفاده کردند به طوری که برای هر اندازه‌گیری به حدود 5 مگابایت اطلاعات نیاز است. این تکنیک از دو CNN به نام FCSNET و IMFCSNET ساخته شده توسط دکتر وای هون تانگ و آقای شائو رن سیم، اعضای تیم تحقیق استفاده می‌کند. CNNها نوعی الگوریتم یادگیری عمیق را برای تجزیه و تحلیل داده‌های بصری نشان می‌دهند. آن‌ها چندین لایه از فیلتر‌های تخصصی را به کار می‌گیرند که برای ویژگی‌های خاص مانند لبه‌ها، بافت‌ها و رنگ‌ها در سراسر تصویر استفاده می‌شوند. این گروه با استخراج و ترکیب این ویژگی‌ها درک بهتری از تصویر ایجاد می‌کنند و به آن‌ها امکان می‌دهد الگو‌ها و اشیاء موجود در داده‌های بصری را بشناسند. این تیم امیدوار است که روش آن‌ها بتواند امکانات جدیدی را برای تسریع در تحقیقات تک‌مولکول باز کند و این فناوری را برای طیف وسیع‌تری از کاربران در دسترس قرار دهد.