详细内容或原文请订阅后点击阅览
光签名算法提供了有关病毒蛋白，脑部疾病标志物和半导体的精确见解
赖斯大学的研究人员开发了一种新的机器学习（ML）算法，该算法擅长解释分子，材料和疾病生物标志物的“光签名”（光谱），从而有可能更快，更精确的医学诊断和样品分析。
来源:英国物理学家网首页Ziyang Wang和Shengxi Huang。学分：Jeff Fitlow/ Rice University div>
赖斯大学的研究人员开发了一种新的机器学习（ML）算法，该算法擅长解释分子，材料和疾病生物标志物的“光签名”（光谱），从而有可能更快，更精确的医学诊断和样品分析。
“想象一下，只要通过对一滴液体或组织样本闪耀一盏灯，才能发现像阿尔茨海默氏症或covid-19的早期迹象，”赖斯（Rice）的电气和计算机工程博士生Ziyang Wang说。 “我们的工作通过教计算机如何更好地'读取'从微小分子散射的光信号来使其成为可能。” 组织样品 一项研究acs nano
每种材料或分子都以独特的方式与光相互作用，产生独特的图案，例如指纹。光谱学需要在化学，材料科学和医学上广泛使用材料上的激光以观察光线与光的相互作用。但是，解释光谱数据可能很困难且耗时，尤其是当样本之间的差异微妙时。新算法称为峰敏感的弹性网络逻辑回归（PSE-LR），是专门设计用于分析基于光的数据的。
“组织或其他生物样品的光谱可以揭示体内发生的事情，”王说。 “这很重要，因为更快，更准确的疾病检测可以带来更好的治疗方法并挽救生命。除了健康之外，我们的方法还可以帮助科学家了解新材料，从而导致更明智的传感器和较小的诊断设备。” 光谱决策
“我们的算法旨在专注于信号的最重要部分；最重要的峰。”王说，将PSE-LR与“侦探学习以找到隐藏在光信号中的线索”进行了比较。 新算法 材料科学健康问题