2024年10月28日，陈春来课题组在《通讯生物学》（Communications Biology）杂志上发表题为“基于深度学习和局部特征的单分子荧光事件自动识别方法”（Deep learning based local feature classification to automatically identify single molecule fluorescence events）。该研究介绍了一种名为DEBRIS (Deep lEarning Based fRagmentatIon approach for Single-molecule fluorescence event identification)的新方法，专注于对单分子荧光轨迹的局部特征进行分类。通过调整用户定义的标准，DEBRIS能够利用同一AI模型，精确筛选和分析四种不同类型的单分子荧光事件。

图1.DEBRIS基本流程

  DEBRIS的核心理念在于，所有长时间尺度的单分子轨迹都是由有限类型的包含特定局部特征的短片段构建而成的。类似于俄罗斯方块中，有限的积木类型可以拼接出多种多样的复杂结构。DEBRIS模型中包含七个类别的双通道短片段强度-时间迹线，以模拟单分子双色荧光实验中常见的局部特征。在应用时，DEBRIS采取滑动窗口逐帧预测局部特征，这一过程将强度-时间轨迹转换为模式-时间轨迹（图1）。随后，根据用户定义的标准将其进一步分类为不同组别，并识别单分子事件。结合预测短片段的局部特征、滑动窗口技术和用户定义的标准，DEBRIS能够适应任意模式和任意长度的双通道荧光轨迹，为单分子荧光事件的自动识别提供了一种强大的工具。

Commun Biol 7, 1404 (2024). https://doi.org/10.1038/s42003-024-07122-4