تقييم شامل لنماذج التعلم الآلي ومعالجة البيانات المسبقة لنمذجة رامان في العمليات الحيوية

الملخص: تعتبر مطيافية رامان أداة واعدة جداً لمراقبة التحليلات الرئيسية في تخمير ثقافات خلايا الثدييات في الوقت الحقيقي. ومع ذلك، هناك تحديات كبيرة مرتبطة بهذه التقنية الواعدة في مصفوفات المعالجة المائية مثل الفلورسنس الخلفية القوي، والذي يتم التعامل معه عادةً من خلال المعالجة الحسابية لطيف رامان الخام. في هذه الدراسة، نقدم تقييمًا شاملًا تركيبيًا لمجموعة متنوعة من خوارزميات التعلم الآلي مع العديد من طرق المعالجة المسبقة الشهيرة على الأداء والصلابة لتنبؤات الوقت الحقيقي المستندة إلى رامان للتحليلات الرئيسية. نوضح أن طرق المعالجة المسبقة لها تأثير كبير على أداء الخوارزميات. علاوة على ذلك، هناك تباين كبير عبر تركيبات مختلفة من خطوات المعالجة المسبقة وخوارزميات الانحدار في التعلم الآلي التي تم اختبارها. نثبت أن الشبكات العصبية والانحدار باستخدام الغابات العشوائية تظهر أداءً جيدًا وصلابة عبر تحليلات مختلفة ذات صلة بالعمليات الحيوية. وهي تفوق بشكل كبير خوارزمية الانحدار للحد الأدنى التربيعي الجزئي، وهي الخوارزمية المستخدمة على نطاق واسع في هذا المجال. بشكل عام، توفر هذه الدراسة الشاملة أساسًا متينًا لبناء نماذج قوية من الجيل التالي لمراقبة التحليلات في الوقت الحقيقي بناءً على مطيافية رامان.