Anna Panorska 교수와 그녀의 전 석사 학생 David Kweku (통계 및 데이터 과학)와 학제 간 및 국제 연구원 팀과 함께 최근 무료 슬롯를 엄청나게 민감한 모션 탐지기 및 기계 학습 모델을 사용하여 무료 슬롯를 대중적, 악의적이거나 죽은 사람으로 분류 할 수있는 기사를 저술했습니다.
논문, 생물 공학 및 생명 공학의 프론티어에 출판, 프로세스 무료 슬롯자들이 분류하는 방법을 개발하기 위해 취한 프로세스. 무료 슬롯는 나노 모션 신호를 기준으로 악의적이거나 악의적이거나 죽었습니다. 무료 슬롯가 질병을 유발할 수 없거나 숙주에 퍼질 수없는 상태 인 Avirulence는 악성 무료 슬롯에서의 뚜렷한 대사 활동으로 특징 지어 질 수 있습니다.
새로운 빠른 분류 방법의 필요성이 점점 더 중요 해지고 있습니다. 환자가 의료 센터에 도착하여 무료 슬롯 감염이있는 것으로 판단되면 효과적인 항생제를 결정해야합니다.
주어진 무료 슬롯가 주어진 항생제에 반응할지 여부를 테스트하는 표준 방법 인 화학적 테스트는 며칠이 걸릴 수 있습니다. 왜냐하면 무료 슬롯는 어떤 항생제가 효과적인지를 결정하기 위해 충분한 샘플을 얻기 위해 배양해야하기 때문입니다. 한편, 환자의 무료 슬롯 감염은 퍼질 수 있으므로 의사는 일반적으로 무료 슬롯를보다 구체적으로 표적화하는 것이 아니라 광범위한 항생제를 사용하는쪽으로 똑바로갑니다. 다른 항생제에 대한 무료 슬롯의 반응에 대한 제안 된 나노 모션 테스트에 필요한 샘플은 매우 작고 시험이 빠릅니다.
작은 움직임은 의학에서 큰 일이 될 수 무료 슬롯
2013 년,이 기사의 공동 저자 중 한 명인 스위스의 생물학적 전자 현미경 실험실의 Sandor Kasas는 나노 스케일 진동의 탐지가 수명을 나타낼 수 있음을 보여주는 방법을 찾았습니다. 연구원들은이 기술을 확장하여 운동이 무료 슬롯가 악의적이거나 악의적이거나 죽은 것으로 식별하는 데 도움이 될 수 있는지 알아 보았습니다..
진동을 측정하는 데 사용되는 기술은 무료 슬롯와 같은 유기체를 캔틸레버에 너무 작게 배치하는 것이 포함되어있어 새로운 화학 물질이 도입 될 때마다 육안으로 보이지 않으며 시간이 지남에 따라 기록적인 움직임이 포함됩니다..
103595_103689
움직임은 원자력 현미경에 의해 감지되며, 이는 매우 정확하여 세포의 소기관에서 이온 채널의 개방 및 폐쇄를 감지 할 수 있으며, 이는 크기가 나노 미터에 불과하며, 이는 대사 활성을 나타낼 수 무료 슬롯. 너무 민감하기 때문에 캔틸레버의 움직임이 유기체의 유기체로 인한 것인지 또는 외부 환경 요인에 의한 지 여부를 결정하는 것은 까다로울 수 무료 슬롯. 건물의 다른 부분에서 문을 닫는 것처럼 겉보기에 먼 곳은 센서에 의해 집어들 수 무료 슬롯. 이를 해결하기 위해 측정 장치는 외부 환경의 모든 동작에 면역 된 고립 된 환경에 배치됩니다.
테스트를 수행하는 데 필요한 샘플 크기는 너무 작아서 무료 슬롯를 배양 할 필요가 없습니다. 연구 논문에 설명 된 방법을 통해 의료 전문가는 무료 슬롯가 주어진 항생제에 빠르게 반응하는지 여부를 결정할 수 있으며, 며칠이 아닌 몇 시간 만에 환자에게 결과를 제공하고 환자 결과를 크게 향상시킬 가능성이 높습니다..
Panorska와 그녀의 동료들은 그녀의 석사 학생이자 논문의 첫 번째 저자를 포함하여 졸업 한 두 가지 통계적 방법 인 임의의 숲 및 모델 기반 클러스터를 사용하여 훈련 된 분류 알고리즘을 개발하여 무료 슬롯를 Avirulent, Verulent 또는 Dead로 자동으로 분류하기 위해 훈련 된 분류 알고리즘을 개발했습니다. 연구원들은 5 분의 나노 모션 관찰을 수집했다.Bordetella pertussis
훈련을 위해 선택된 중요한 변수 중 하나는 알고리즘에 의해 분석 된 시간의 길이였습니다. 한 번에 5 분의 데이터를 분석하는 것은 대부분의 컴퓨터에서 너무 메모리 집약적이므로 연구원들은 5 분의 관찰 데이터를 60 개의 5 초 세그먼트로 분해했습니다. 그들은 모델을 훈련시키기 위해 90 개의 세그먼트, 죽은 무료 슬롯 관찰에서 30 개, avirulent 무료 슬롯에서 30 개, 악성 무료 슬롯에서 30 개를 훈련시키기 위해 무작위로 선택했습니다. 그런 다음 모델을 유효성과 일관성을 확인한 다음 5 분짜리 세그먼트에서 200 회 테스트했습니다.
훈련 된 분류기를 사용하여 연구원들은 랜덤 포리스트 및 모델 기반 클러스터링 방법을 사용하여 완벽한 분류 결과를 달성했습니다. Panorska는 이전 접근법에서 가장 많은 오류는 무료 슬롯가 살아 있지만 활성화되지 않은 Avirulent 상태에서 발생했다고 지적했습니다. 그럼에도 불구 하고이 모델은 무료 슬롯 상태를 올바르게 분류하게되었습니다.
기회 분야
106162_106269
이 기술을 암 치료를 포함한 다른 방식으로 어떻게 적용 할 수 있는지 고려한 연구원들이 이미 무료 슬롯. Panorska는 연구원들이 이러한 기술을 구현할 의료 의사와 협력하고 있으며 협력의 친밀감은 과학자들에게 보람 있고 유익하다고 말했다. 그녀는 또한 직접 응용 프로그램으로 프로젝트를 수행하게되어 기쁩니다.
106885_107052
Panorska는 또한이 프로젝트를 계속 작업하고 실험 설정을 더 잘 이해하기 위해 실험이 수행되는 위치를 방문하기를 희망한다고 말했다..
107247_107480
Panorska는 더 많은 학생들이 데이터 과학 수업 수업을 고려할 수있는 광범위한 분야에서 머신 러닝이 더 유용 해지기를 희망합니다. 그녀와 그녀의 공과 대학의 동료 인 Emily Hand는 응용 데이터 과학을위한 새로운 과정을 개발하기 위해 노력하고 무료 슬롯.
107773_107992
