Rays Universitetinin tədqiqatçıları molekulların, materialların və xəstəlik biomarkerlərinin “işıq imzalarını” (optik spektrləri) şərh etməkdə üstün olan, potensial olaraq daha sürətli və dəqiq tibbi diaqnozlara və nümunə analizinə imkan verən yeni maşın öyrənməsi (ML) alqoritmi hazırlayıblar.

“Təsəvvür edin ki, yalnız bir damla maye və ya toxuma nümunəsinə işıq tutmaqla Alzheimer və ya COVID-19 kimi xəstəliklərin erkən əlamətlərini aşkarlaya bilirsiniz ” dedi, Raysda elektrik və kompüter mühəndisliyi üzrə doktorant, ACS Nano -da dərc olunan tədqiqatın ilk müəllifi Ziyang Wang . “Bizim işimiz bunu kompüterlərə kiçik molekullardan səpələnmiş işığın siqnalını daha yaxşı “oxumağı” öyrətməklə mümkün edir.”

Hər bir material və ya molekul işıqla unikal şəkildə qarşılıqlı əlaqədə olur və barmaq izi kimi fərqli bir naxış yaradır. İşığın onunla necə qarşılıqlı əlaqədə olduğunu müşahidə etmək üçün bir material üzərində lazerin işıqlandırılmasını nəzərdə tutan optik spektroskopiya kimya, materialşünaslıq və tibbdə geniş istifadə olunur. Bununla belə, spektral məlumatların şərhi çətin və vaxt apara bilər, xüsusən nümunələr arasında fərqlər incə olduqda. Peak-Sensitive Elastic-net Logistic Regression (PSE-LR) adlanan yeni alqoritm işıq əsaslı məlumatları təhlil etmək üçün xüsusi olaraq hazırlanmışdır.

” Bir toxumanın və ya digər bioloji nümunənin optik spektrləri bədənin daxilində baş verənlər haqqında çox şey aşkar edə bilər” dedi Wang. “Bu vacibdir, çünki xəstəliyin daha sürətli və daha dəqiq aşkarlanması daha yaxşı müalicələrə gətirib çıxara bilər və insanların həyatını xilas edə bilər. Sağlamlıqdan əlavə, bizim metodumuz həm də alimlərə yeni materialları anlamağa kömək edə bilər ki, bu da daha ağıllı sensorlar və daha kiçik diaqnostik cihazlara gətirib çıxara bilər.”

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1645945215&adf=4054963813&pi=t.ma~as.8188791252&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1745918538&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-04-signature-algorithm-precise-insight-viral.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM1LjAuNzA0OS4xMTUiLG51bGwsMCxudWxsLCI2NCIsW1siR29vZ2xlIENocm9tZSIsIjEzNS4wLjcwNDkuMTE1Il0sWyJOb3QtQS5CcmFuZCIsIjguMC4wLjAiXSxbIkNocm9taXVtIiwiMTM1LjAuNzA0OS4xMTUiXV0sMF0.&dt=1745918534748&bpp=1&bdt=81&idt=250&shv=r20250424&mjsv=m202504240101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Df22668bce9793ae4%3AT%3D1735196613%3ART%3D1745918510%3AS%3DALNI_Mb4Xpwl1SO1AcvqroR6xccDm_sheQ&gpic=UID%3D00000f7c5320f40b%3AT%3D1735196613%3ART%3D1745918510%3AS%3DALNI_Mb1dz_DHiT2yDzXLMaB9CDkQl4XGg&eo_id_str=ID%3Dcdf7f2f01784f52d%3AT%3D1735196613%3ART%3D1745918510%3AS%3DAA-Afjb8kbeupLLyQ0QHQmZxpM4v&prev_fmts=0x0%2C1905x945&nras=2&correlator=149128379027&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1776&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95357460%2C95358976%2C95359116%2C31090357&oid=2&pvsid=1497811243973547&tmod=1123576727&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C0%2C0%2C1920%2C945&vis=1&rsz=%7Co%7CpeEbr%7C&abl=NS&pfx=0&fu=128&bc=31&bz=0&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=3649

PSE-LR nəinki müxtəlif nümunələri dəqiq təsnif edə bilər, həm də qərar qəbul etmə prosesində şəffafdır – bir çox qabaqcıl ML modelləri o qədər də yaxşı deyil. PSE-LR, spektrin hansı hissələrinin təsnifat qərarına töhfə verdiyini vurğulayan “xüsusiyyətlərin əhəmiyyəti xəritəsi” təqdim edir və nəticələrin şərhini, yoxlanılmasını və fəaliyyət göstərməsini asanlaşdırır.

“Bizim alqoritmimiz siqnalın ən vacib hissələrinə; ən vacib olan zirvələrə diqqət yetirmək üçün nəzərdə tutulmuşdur” dedi Wang, PSE-LR-ni “işıq siqnallarında gizlənmiş ipuçlarını tapmağı öyrənən bir detektiv” ilə müqayisə etdi.

Tədqiqatçılar PSE-LR-ni digər ML modellərinə qarşı sınaqdan keçirdilər, xüsusilə incə və ya üst-üstə düşən spektral xüsusiyyətlərin müəyyən edilməsində təkmilləşdirilmiş performans göstərdilər.

“Əksər modellər ya xırda detalları qaçırır, ya da anlamaq üçün çox mürəkkəbdir” dedi Vanq. “Biz həm ağıllı, həm də izah edilə bilən bir şey qurmaqla bunu düzəltməyi hədəflədik.”

Model, həmçinin maye nümunələrində SARS-CoV-2 sünbül zülalının ultra aşağı konsentrasiyalarının aşkarlanması, siçan beyin toxumasında neyroprotektiv məhlulların müəyyən edilməsi, Alzheimer xəstəliyi nümunələrinin təsnifləşdirilməsi və 2D yarımkeçiricilər arasında fərqləndirilməsi də daxil olmaqla, real dünyadakı idrak qabiliyyətini ölçən bir sıra testlərdə yaxşı çıxış etdi.

“Bizim alətimiz ənənəvi üsullardan istifadə etməklə qəbul etmək çətin olan çox incə siqnallar üçün işıq əsaslı məlumatları təhlil edə bilir” dedi tədqiqatın müvafiq müəllifi olan elektrik və kompüter mühəndisliyi, materialşünaslıq və nanoemühəndislik üzrə dosent Shengxi Huang.

Yeni alqoritm yeni diaqnostika, biosensor və ya nanoqurğuların inkişafına imkan verə bilər.

“Bu tapıntılar tibbi diaqnostika və material elmini dəyişdirməyə kömək edə bilər, bizi ağıllı texnologiyaların sağlamlıq problemlərini daha sürətli və daha effektiv aşkar etməyə və onlara cavab verməyə kömək etdiyi dünyaya yaxınlaşdıra bilər ” dedi Vanq.

Daha çox məlumat: Ziyang Wang et al, Pik-Həssas Logistik Reqressiyadan istifadə edərək Optik Spektroskopiyanın Maşın Öyrənməsi Şərhi, ACS Nano (2025). DOI: 10.1021/acsnano.4c16037

Jurnal məlumatı: ACS Nano 

Rays Universiteti tərəfindən təmin edilmişdir