上海交通大学金成课题组：深度光谱成分过滤-光谱分析-代谢领域基础模型 | Nature Machine Intelligence

本研究由上海交通大学金成课题组提出了一种名为深度光谱成分过滤（DSCF）的基础模型，用于解决生物液体中代谢产物的光谱分析问题。传统的数据驱动深度学习方法在多样化的光谱分析任务中表现受限，缺乏泛化能力。DSCF通过自监督学习策略（COREL）在多样化的数据上习得通用光谱知识，并在11个不同数据集上的5种独立光谱分析任务中展示了优异的性能。该模型不仅能实现零样本光谱去噪，还能利用表面增强拉曼（SERS）对复杂体系中的痕量成分精准定量。此外，研究还提出了一种基于光谱成分过滤的可解释技术（ComFilE），用于血清代谢图谱分析，筛选出与卒中、阿尔茨海默病和前列腺癌等疾病相关的潜在代谢物生物标志物。研究强调了训练数据库的多样性和规模对模型泛化能力的重要性，为通用的光谱分析提供了清晰且可行的路径。