Deep-Channel uses deep neural networks to detect single-molecule events from patch-clamp data
Deep-Channel uses deep neural networks to detect single-molecule events from patch-clamp data
复制标题
Deep-Channel 使用深度神经网络从膜片钳数据中检测单分子事件
DOI：
10.1101/767418
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Celik N
中科院分区：
文献类型：
--
作者：
Celik N
单分子研究通过实时捕获单个蛋白质的运动来提供独特的生物学见解，不受全细胞整体平均的影响。单分子分析关键的第一步是事件检测，即所谓的“理想化”，其中嘈杂的原始数据被转化为蛋白质运动的离散记录。最常见的单分子研究类型是离子通道门控的电生理膜片钳记录。迄今为止，离子通道或其他单分子数据的分析流程存在实际限制；它们通常是手动执行的；费力且需要人工监督。此外，对于包含许多不同的天然单离子通道蛋白同时门控的复杂生物数据，此任务可能变得不可行。在本报告中，我们描述了一种基于卷积神经网络 (CNN) 和长短期记忆 (LSTM) 架构的用于分析单分子数据的“人工智能”深度学习模型。该网络比手动“阈值交叉”分析更准确、更快速地自动理想化复杂的单分子活性。我们相信这是首次使用深度学习来分析单分子数据集，此类方法可能会在未来彻底改变离子通道和其他单分子跃迁事件的无监督自动检测。
Single molecule research delivers a unique biological insight by capturing the movement of individual proteins in real time, unobscured by whole-cell ensemble averaging. The critical first step in single molecule analyses is event detection, so called “idealisation”, where noisy raw data are turned into discrete records of protein movement. The most common type of single molecule research is electrophysiological patch-clamp recording of ion channel gating. To date, there have been practical limitations in the analyses pipelines for ion channel or other single molecule data; they are typically manually performed; laborious and require human supervision. In addition, this task can become infeasible with complex biological data containing many distinct native single ion channel proteins gating simultaneously. In this report we describe an “artificial intelligence” deep learning model for analyses of single molecule data, based on convolutional neural networks (CNN) and long short-term memory (LSTM) architecture. This network automatically idealises complex single molecule activity more accurately and faster than manual “threshold crossing” analyses. We believe this is the first use of deep learning to analyse single molecule datasets and such methods may revolutionise the unsupervised automatic detection of ion channel and other single-molecule transition events in the future.
登录
查看更多内容
TRPV 的 CVS 作用：从单一通道到人工智能的 HRV 评估。
DOI：
10.1096/fasebj.2018.32.1_supplement.732.6
发表时间：
2018
期刊：
The FASEB Journal
影响因子：
--
作者：
Fiona O’Brien;Bryan M. Williams;H. Pratt;R. Barrett
通讯作者：
R. Barrett
影响因子：
5.6
作者：
Mobasheri, Ali;Lewis, Rebecca;Maxwell, Judith E. J.;Hill, Claire;Womack, Matthew;Barrett-Jolley, Richard
通讯作者：
Barrett-Jolley, Richard
DOI：
10.2174/1875397301206010087
发表时间：
2012
期刊：
Current chemical genomics
影响因子：
--
作者：
Yajuan X;Xin L;Zhiyuan L
通讯作者：
Zhiyuan L
赞扬单通道动力学
DOI：
--
发表时间：
2016
期刊：
The Journal of General Physiology
影响因子：
--
作者：
L. Sivilotti;D. Colquhoun
通讯作者：
D. Colquhoun
影响因子：
3.4
作者：
Qin, F;Auerbach, A;Sachs, F
通讯作者：
Sachs, F