Unsupervised Idealization of Nano-Electronic Sensors Recordings with Concept Drifts: A Compressive Feature Learning Approach for Non-Stationary Single-Molecule Data Analysis
Notice bibliographique
Résumé
Single-molecule nanocircuits based on field-effect transistors (smFETs) are emerging and promising nano-bioelectronic sensors for the functional detection of molecular dynamics involved in biochemical transformations, in particular for applications in cancer thanks to a potentially better understanding of some hidden and complex molecular interactions. In fact, functionalized carbon nanotubes have been recently exploited to probe molecular events occurring at a single molecule scale with ultra high sensitivity and specificity, such as nucleic acids hybridization, enzyme folding in catalysis reactions, or protein-nucleic acids interactions. Extracting the kinetics and thermodynamics from such single-molecule dynamics implies robust analytic tools that can handle the complexity of the sensed reaction system changing between transient and steady-state molecular conformations, but also some challenging signal specificities, such as the multi-source composition of the recorded signals, the mixed and high-level noises, and the sensor baseline drift, leading to non-stationary time series. We present a new smFET data analysis framework, based on a compressive feature learning scheme to optimize unsupervised idealization of smFET traces, by a precise and accurate molecular events detection and states characterization algorithm, tailored for non-stationary signals at high sampling rate and long acquisition periods, without any prior knowledge on the data generating process nor signal pre-filtering. Experimental results show the accuracy and robustness of our trace idealization algorithm to stochastic state-space models, and better performances than commonly used hidden Markov models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».