【儀表網 研發快訊】單分子熒光共振能量轉移(FRET)技術是研究納米尺度生物分子動態和相互作用的前沿生物物理工具。傳統的長時間單分子FRET測量通常依賴于全內反射熒光(TIRF)顯微鏡，通過追蹤單個熒光分子的強度變化，揭示分子層面的動態信息。然而，這一過程產生的大量數據對數據分析和篩選提出了挑戰。傳統的人工或半自動化方法不僅效率低下，而且容易引入主觀偏差，嚴重依賴于實驗者的經驗。深度學習模型的應用則極大地減少了人為錯誤，提高了數據處理的速度和準確性。盡管如此，現有的深度學習模型往往難以根據用戶的特定需求進行優化。
 

　　10月28日，清華大學生命科學學院和北京生物結構前沿研究中心陳春來課題組在《通訊·生物學》(Communications Biology)雜志發表了題為“基于深度學習和局部特征的單分子熒光事件自動識別方法”(Deep learning based local feature classification to automatically identify single molecule fluorescence events)的論文，介紹了一種名為DEBRIS(Deep lEarning Based fRagmentatIon approach for Single-molecule fluorescence event identification)的新方法，專注于對單分子熒光軌跡的局部特征進行分類。通過調整用戶定義的標準，DEBRIS能夠利用同一AI模型，精確篩選和分析四種不同類型的單分子熒光事件。
 

　　DEBRIS的核心理念在于，所有長時間尺度的單分子軌跡都是由有限類型的包含特定局部特征的短片段構建而成的。類似于俄羅斯方塊中，有限的積木類型可以拼接出多種多樣的復雜結構。DEBRIS模型中包含七個類別的雙通道短片段強度-時間跡線，以模擬單分子雙色熒光實驗中常見的局部特征(圖1a)。在應用時，DEBRIS采取滑動窗口逐幀預測局部特征，這一過程將強度-時間軌跡轉換為模式-時間軌跡(圖1b)。隨后，根據用戶定義的標準將其進一步分類為不同組別，并識別單分子事件。結合預測短片段的局部特征、滑動窗口技術和用戶定義的標準，DEBRIS能夠適應任意模式和任意長度的雙通道熒光軌跡，為單分子熒光事件的自動識別提供了一種強大的工具。
 

圖1.DEBRIS的訓練集構建和基本流程
 

　　為了評估DEBRIS在雙色熒光軌跡上的分類性能，研究人員使用了五組單分子雙色FRET數據集(圖2)。以人工分類結果作為基準時，DEBRIS獲得的FRET分布與人工分類結果相似性達到99%。這一結果凸顯了DEBRIS的準確性，同時顯示出DEBRIS在效率、客觀性和可重復性方面具有顯著優勢。
 

圖2.DEBRIS分類性能評估
 

　　研究人員利用DEBRIS首次實現對動態出現的熒光信號的準確識別。動態單分子熒光信號是指在采集開始時并不存在熒光信號，但由于擴散的標記分子與表面固定的分子相互作用導致熒光信號在采集過程中出現(圖3)。例如，在研究Cas12a對DNA的切割過程中，可以動態捕捉到Cas12a結合、切割和DNA片段解離等一系列動態過程(圖3a)。但已發表的深度學習模型尚無法有效處理此類動態單分子熒光信號。研究人員展示了DEBRIS可自動識別出Cas12a的結合和切割事件，并基于分類結果生成了FRET概率隨時間變化密度圖，可表征切割過程中Cas12a的一系列復雜構象變化。
 

圖3.DEBRIS在捕捉動態熒光信號中的應用
 

　　DEBRIS模型雖然是利用雙色跡線進行訓練的，但也可以拓展用于單色單分子熒光軌跡。研究人員對此也進行了驗證(圖4)

 

圖4.DEBRIS在單色單分子熒光軌跡上的應用
 

　　DEBRIS通過精準識別單分子熒光軌跡的局部特征，并允許根據實驗設計靈活調整分類標準，實現了在不修改神經網絡結構的前提下，對雙色/單色實驗條件下的穩定和動態單分子熒光信號進行準確識別。這種創新的方法為單分子熒光技術的應用提供了一個高效的數據分析工具，極大地擴展了其在生物物理研究中的潛力。
 

　　清華大學生命科學學院陳春來副教授為論文通訊作者，生命科學學院2021級博士生周書棋為論文第一作者。生命科學學院2024屆博士畢業生苗昱、2023級博士生邱浩仁和香港科技大學數學系教授姚遠為研究提供了重要支持。研究得到國家自然科學基金委員會、國家自然科學基金委員會與香港研究資助局聯合科研資助基金、北京生物結構前沿研究中心、膜生物學國家重點實驗室的支持。