基于AI的MALDI-TOF MS微生物特征化生成
机器学习
2025-11-25 v1 定量方法
摘要
矩阵消除/离子化时间飞行质谱（MALDI-TOF MS）已成为临床微生物学中的核心技术，使快速且准确的微生物鉴定成为可能。然而，数据驱动的诊断模型开发仍受限于缺乏足够大、平衡且标准化的谱图数据集。本研究探讨使用深度生成模型合成逼真的MALDI-TOF MS谱图，以克服数据稀缺问题并支持微生物学领域中健壮机器学习工具的开发。我们对三种生成模型进行改造和评估：变分自编码器（MALDIVAEs）、生成对抗网络（MALDIGANs）和去噪扩散概率模型（MALDIffusion），用于基于种类标签的条件微生物谱图生成。生成过程以种类标签为条件，评估谱图的保真度和多样性。实验结果表明，由MALDIVAE、MALDIGAN和MALDIffusion生成的合成数据在统计学和诊断学上与真实测量结果相当，使仅使用合成样本训练的分类器性能接近使用真实数据的水平。虽然所有模型都忠实地再现了MALDI-TOF谱图的峰结构和变异性，但MALDIffusion在获得这种保真度方面计算成本显著更高，MALDIGAN表现出竞争性但略不稳定的行为。相比之下，MALDIVAE在真实性、稳定性和效率之间提供了最佳的平衡。此外，通过合成少数种类的谱图可显著提高分类准确度，有效缓解了类别不平衡和领域不匹配问题，同时不损害生成数据的真实性。
关键词
引用
@article{arxiv.2511.17611,
title = {AI-driven Generation of MALDI-TOF MS for Microbial Characterization},
author = {Lucía Schmidt-Santiago and David Rodríguez-Temporal and Carlos Sevilla-Salcedo and Vanessa Gómez-Verdejo},
journal= {arXiv preprint arXiv:2511.17611},
year = {2025}
}