Primjena strojnog učenja za korekciju artefakata u fluorescencijskoj korelacijskoj spektroskopiji (FCS)

diplomski rad

• Naslov (engleski): Usage of machine learning for artifact correction in Fluorescence Correlation Spectroscopy
• Autor: Ivan Emanuel Pavlov
• Mentor: Goran Zgrablić (mentor)
• Mentor: Goranka Bilalbegović (komentor)
• Član povjerenstva: Goranka Bilalbegović (predsjednik povjerenstva)
• Član povjerenstva: Goran Zgrablić (član povjerenstva)
• Član povjerenstva: Nikola Poljak (član povjerenstva)
• Član povjerenstva: Davor Horvatić (član povjerenstva)
• Član povjerenstva: Damir Pajić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2022-03-02, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

Fluorescentna korelacijska spektroskopija je etablirana tehnika spektroskopije na razini jedne molekule kojom se promatraju vremenske fluktuacije intenziteta fluorescencije biomolekula markiranih nekom fluorescentnom bojom. Fluktuacije se vremenski autokoreliraju, što potom omogućuje daljnju analizu i mjerenje parametara biomolekule od interesa. Parametri mogu biti koncentracija, difuzijska konstanta i sl. U ovom radu je kao izvor fluorescencije korištena boja Alexa647 u nevezanom obliku. Korištenjem aproksimativne teorijske autokorelacijske funkcije, koja uključuje difuzijsku i tripletnu dinamiku molekule, izračunate su dimenzije detekcijskog volumena u konfokalnom mikroskopu. Zatim su izračunati parametri fiksirani u teorijskom modelu ˇsto je omogućilo određivanje vremena difuzije i difuzijske konstante promatrane molekule. Kao alternativna metoda obrade autokorelacijskih krivulja korišteno je strojno učenje. Točnije, korištena je jednostavna neuronska mreža, trenirana na skupu uzoraka poznatih parametara. Potom su provedena predviđanja difuzijske konstante na podskupovima mjerenja koji nisu bili dio treninga modela. Strojno učenje je korišteno kao pokušaj da se odziv optičkog postava odredi izravno iz podataka. Na taj način su se pokusale izbjeći nepouzdanosti mjerenja koje dolaze od optičkih artefakata, a koji nisu predvedeni teorijskim modelima. Vrijednosti dobivene neuronskom mrežom su uspoređeni s vrijednostima dobivenim klasičnim pristupom gdje se parametri sustava dobivaju prilagodbom teorijske funkcije na podatke. Rezultati ukazuju da je pristup korištenjem strojnog učenja i s tako malim brojem podataka koji su se koristili za trening modela, barem usporediv po preciznosti s predviđanjima koje daje klasičan pristup.

Sažetak (engleski)

Fluorescence correlation spectroscopy is an established technique in single-molecule spectroscopy used for observing temporal fluctuations of the fluorescence intensity of marked biomolecules. Fluctuations are temporally autocorrelated which enables further analysis and measurement of relevant system parameters. Examples of observables are molecule concentrations, diffusion coefficients, etc. In this master’s thesis an unbound Alexa647 dye molecule was used as source of fluorescence. By using an approximate theoretical function, which incorporates diffusion dynamics and triplet dynamics of the dye, dimensions of the observational volume of the confocal microscope were calculated. The latter parameters are then fixed in the theoretical model which enabled determination of diffusion time and diffusion constant of the dye. As an alternative method, machine learning was used to process autocorrelation curves. Specifically, a neural network was trained on a dataset that included data of known parameters. After the model was trained, it was used to predict diffusion coefficients of the data in the test set which was not used during the model training. System parameters were measured directly from the data. Doing it that way enables us to potentially avoid systematic errors which come from optical artifacts of the experimental apparatus because approximate theoretical functions do not take optical artifacts into account. The results of the model are compared with the results obtained in the theoretical function fitting procedure. Obtained results signalled that even though the training set used for model training was small, the machine learning model was at least as successful in predicting diffusion coefficients as was the theoretical function fitting procedure.

• Ključne riječi: spektroskopija na razini jedne molekule; fluorescentna korelacijska spektroskopija; difuzijska konstanta; strojno učenje; neuronska mreža; Alexa647; optički artefakti
• Ključne riječi (engleski): single-molecule spectroscopy; fluorescence correlation spectroscopy; diffusion coefficent; machine learning; neural network; Alexa647; optical artifacts
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:258792
• Studijski program: Naziv: Fizika; smjerovi: istraživački; Smjer: istraživački; Vrsta studija: sveučilišni; Stupanj studija: integrirani preddiplomski i diplomski; Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2022-03-31 12:38:16