Preview

Журнал прикладной спектроскопии

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Классификация шиповидных белков коронавируса на основе спектроскопии комбинационного рассеяния света и глубокого машинного обучения и ее интерпретативный анализ

Аннотация

Разработан метод классификации спайковых белков коронавируса, основанный на глубоком машинном обучении и спектроскопии комбинационного рассеяния света (КР). Набор КР-спектров спайковых белков пяти коронавирусов (MERS-CoV, SARS-CoV, SARS-CoV-2, HCoV-HKU1 и HCoVOC43) использован для создания нейросетевой модели классификации. Для полученных спектров с низким отношением сигнал/шум средняя точность >97%. Проанализированы результаты классификации нейронной сетью. Показано, что различия в спектральных характеристиках, полученные нейронной сетью, согласуются с экспериментальными результатами. Предлагаемый метод можно использовать для идентификации сложных КР-спектров, в клинической практике при выявлении COVID-19 и других коронавирусов, а также в промышленных областях, таких как разведка нефти и газа.

Об авторах

W. Mo
Исследовательский центр лазерного синтеза Китайской академии инженерной физики; Университет Цинхуа
Китай

Мяньян;

Пекин



J. Wen
Исследовательский центр лазерного синтеза Китайской академии инженерной физики; Университет Цинхуа
Китай

Мяньян;

Пекин



J. Huang
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



Y. Yang
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



M. Zhou
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



S. Ni
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



W. Le
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



L. Wei
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



D. Qi
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



S. Wang
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



J. Su
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



Y. Wu
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



W. Zhou
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



K. Du
Laser Fusion Research Center at China Academy of Engineering Physics
Китай

Мяньян



X. Wang
Университет Цинхуа
Китай

Пекин



Z. Zhao
Исследовательский центр лазерного синтеза Китайской академии инженерной физики
Китай

Мяньян



Список литературы

1. F. Cui, H. S. Zhou, Biosens. Bioelectron., 165, 112349 (2020).

2. J. Huang, J. Wen, M. Zhou, S. Ni, W. Le, G. Chen, L. Wei, Y. Zeng, D. Qi, M. Pan, Anal. Chem., 93, No. 26, 9174–9182 (2021).

3. M. Asif, M. Ajmal, G. Ashraf, N. Muhammad, A. Aziz, T. Iftikhar, J. Wang, H. Liu, Curr. Opin. Electrochem., 23, 174–184 (2020).

4. M. Shen, Y. Zhou, J. Ye, A. A. A. Al-Maskri, Y. Kang, S. Zeng, S. Cai, J. Pharm. Anal., 10, 97–101 (2020).

5. V. M. Corman, O. Landt, M. Kaiser, R. Molenkamp, A. Meijer, D. K. Chu, T. Bleicker, S. Brünink, J. Schneider, M. L. Schmidt, Eurosurveillance, 25, 2000045 (2020).

6. M. N. Esbin, O. N. Whitney, S. Chong, A. Maurer, X. Darzacq, R. Tjian, Rna, 26, 771–783 (2020).

7. J. Huggett, K. Dheda, S. Bustin, A. Zumla, Genes Immun., 6, 279–284 (2005).

8. M. L. Wong, J. F. Medrano, Biotechniques, 39, 75–85 (2005).

9. D. Jacofsky, E. M. Jacofsky, M. Jacofsky, J. Arthroplasty, 35, S74–S81 (2020).

10. Q. Lin, D. Wen, J. Wu, L. Liu, W. Wu, X. Fang, J. Kong, Anal. Chem., 92, 9454–9458 (2020).

11. G. Liu, J. F. Rusling, ACS Sens., 6, 593–612 (2021).

12. C.-S. Ho, N. Jean, C. A. Hogan, L. Blackmon, S. S. Jeffrey, M. Holodniy, N. Banaei, A. A. Saleh, S. Ermon, J. Dionne, Nat. Commun, 10, 1–8 (2019).

13. W. Lee, A. T. Lenferink, C. Otto, H. L. Offerhaus, J. Raman Spectrosc., 51, 293–300 (2020).

14. D. Wrapp, N. Wang, K. S. Corbett, J. A. Goldsmith, C.-L. Hsieh, O. Abiona, B. S. Graham, J. S. McLellan, Science, 367, 1260–1263 (2020).

15. Z. Li, A. C. Tomlinson, A. H. Wong, D. Zhou, M. Desforges, P. J. Talbot, S. Benlekbir, J. L. Rubinstein, J. M. Rini, eLife, 8, e51230 (2019).

16. S. Abdul-Rasool, B. C. Fielding, Open Virol. J., 4, 76 (2010).

17. J. R. St-Jean, H. Jacomy, M. Desforges, A. Vabret, F. Freymuth, P. J. Talbot, J. Virol., 78, 8824–8834 (2004).

18. P. C. Woo, S. K. Lau, C.-M. Chu, K.-H. Chan, H.-W. Tsoi, Y. Huang, B. H. Wong, R. W. Poon, J. J. Cai, W.-K. Luk, J. Virol., 79, 884–895 (2005).

19. C. Drosten, S. Günther, W. Preiser, S. Van Der Werf, H.-R. Brodt, S. Becker, H. Rabenau, M. Panning, L. Kolesnikova, R. A. Fouchier, N. Engl. J. Med., 348, 1967–1976 (2003).

20. R. J. De Groot, S. C. Baker, R. S. Baric, C. S. Brown, C. Drosten, L. Enjuanes, R. A. Fouchier, M. Galiano, A. E. Gorbalenya, Z. A. Memish, J. Virol., 87, 7790–7792 (2013).

21. S. Su, G. Wong, W. Shi, J. Liu, A. C. Lai, J. Zhou, W. Liu, Y. Bi, G. F. Gao, Trends Microbiol., 24, 490–502 (2016).

22. M. M. Kesheh, P. Hosseini, S. Soltani, M. Zandi, Rev. Med. Virol., e2282 (2021).

23. Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, Proc. IEEE, 86, 2278–2324 (1998).

24. K. He, X. Zhang, S. Ren, J. Sun, Proc. IEEE Conf. Comput. Vision Pattern Recognit., 770–778 (2016).

25. D. X. Liu, J. Q. Liang, T. S. Fung, Encycl. Virol., 428 (2021).

26. A. B. Gussow, N. Auslander, G. Faure, Y. I. Wolf, F. Zhang, E. V. Koonin, Proc. Natl. Acad. Sci. USA, 117, 15193–15199 (2020).

27. H. Yao, Y. Song, Y. Chen, N. Wu, J. Xu, C. Sun, J. Zhang, T. Weng, Z. Zhang, Z. Wu, Cell, 183, 730–738, e713 (2020).

28. C. Liu, Y. Yang, Y. Gao, C. Shen, B. Ju, C. Liu, X. Tang, J. Wei, X. Ma, W. Liu, bioRxiv (2020).

29. K. Simonyan, A. Vedaldi, A. Zisserman, arXiv preprint arXiv, 1312.6034 (2013).

30. C. Carlomagno, D. Bertazioli, A. Gualerzi, S. Picciolini, P. Banfi, A. Lax, E. Messina, J. Navarro, L. Bianchi, A. Caronni, Sci. Rep., 11, 1–13 (2021).

31. H. Jinglin, Z. Minjie, L. Wei, C. Guo, N. Shuang, N. Gao, L. Zeyu, Z. Zongqing, H. Zhibing, L. Bo, Qiangjiguang Yu Lizishu, 32, 069001-069002 (2020).

32. J. E. Sanchez, S. A. Jaramillo, E. Settles, J. J. V. Salazar, A. Lehr, J. Gonzalez, C. R. Aranda, H. R. Navarro-Contreras, M. O. Raniere, M. Harvey, RSC Adv., 11, 25788–25794 (2021).

33. G. Yin, L. Li, S. Lu, Y. Yin, Y. Su, Y. Zeng, M. Luo, M. Ma, H. Zhou, L. Orlandini, J. Raman Spectrosc., 52, 949–958 (2021).


Рецензия

Для цитирования:


Mo W., Wen J., Huang J., Yang Y., Zhou M., Ni S., Le W., Wei L., Qi D., Wang S., Su J., Wu Y., Zhou W., Du K., Wang X., Zhao Z. Классификация шиповидных белков коронавируса на основе спектроскопии комбинационного рассеяния света и глубокого машинного обучения и ее интерпретативный анализ. Журнал прикладной спектроскопии. 2022;89(6):903.

For citation:


Mo W., Wen J., Huang J., Yang Y., Zhou M., Ni S., Le W., Wei L., Qi D., Wang S., Su J., Wu Y., Zhou W., Du K., Wang X., Zhao Z. Classification of Coronavirus Spike Proteins by Deep-Learning-Based Raman Spectroscopy and Its Interpretative Analysis. Zhurnal Prikladnoii Spektroskopii. 2022;89(6):903.

Просмотров: 145


ISSN 0514-7506 (Print)