一种基于深度学习与最小费用流规划的生物芯片自动化综合方法
本发明涉及生物芯片设计自动化以及微流控,具体涉及一种基于深度学习与最小费用流寻优的meda生物芯片实验综合与寿命优化方法。
背景技术:
1、数字微流控生物芯片的核心在于对微小液滴的精准操控,由于对液滴的需求量较小,因此可以把传统的生化实验流程压缩到一张芯片上,用自动化芯片替代人工,从而实现了生化实验的自动化、集成化与微小化集成。相较于传统的数字微流控生物芯片,新一代生物芯片架构中,微电极点阵芯片凭借高密度的微电极阵列,为液滴更灵活的移动、控制提供了可能性。
2、在高通量、高频次的实验需求下,微电极的可靠性和使用寿命问题正逐渐成为制约生物芯片大范围推广、使用的因素。在实验时,往往伴随着大量的测试,而频繁的电极驱动极其容易引起电极材料的老化磨损,特别是一些承担关键任务的电极单元,这些关键位置的电极一旦失效,即使其他电极还处于较新的状态,整块芯片也可能面临报废的风险。
3、因此如何将meda生物芯片与先进的人工智能预测技术与数学优化模型相结合,让实验既保持高效率的运行,又能延缓电极的损耗,是目前生物芯片自动化领域待突破的难点之一。
技术实现思路
1、本发明提供一种面向长寿命meda生物芯片的自动化综合方法,旨在通过“感知层预测”与“规划层决策”的结合,解决电极损耗不均的问题。
2、如图1所示,本发明提供了一种基于深度学习与最小费用流规划的生物芯片自动化综合方法,其特征在于,所述方法包括:
3、s1.定义生物芯片的物理电极阵列及多粒度分块逻辑模型,解析待执行的实验操作序列;
4、s2.针对当前待布局的实验操作,利用多目标代价函数在所述分块逻辑模型中筛选最优布局位置,并锁定对应的电极位置;
5、s3.提取芯片电极的实时状态特征构建多通道特征图,利用卷积神经网络对所述多通道特征图进行推理,生成芯片阵列的健康代价图;
6、s4.将芯片电极阵列抽象为赋权流网络模型,并借助最小费用流算法求解各液滴从起点到终点的最优路由路径。
7、s5.依照所得到的布局和路由阶段中间结果来同时修正电极磨损矩阵、所占位置矩阵及已知故障记忆矩阵,再将其带入下一次实验的迭代中。
8、图2示出了芯片阵列的仿真示意图。本实验所研究的是怎样把实际的meda生物芯片转换成计算机可用的表达形式,为此已经把对应的物理微电极阵列归入60×60的二维矩阵,矩阵各点分别对应电极位置,即用二维方式把已知的生物芯片及电极都当作数据来加以组织。然后就电极各自应具有的属性做说明,同时给出两个二维矩阵的初始定义(磨损矩阵a和占用矩阵b):磨损矩阵a是对各电极被激活(即被驱动)次数的统计,占用矩阵b是对电极当前是否被液滴或实验模块占据、是否被锁定的一种标记,若已被锁定就不能再安排有关的后续布局或路由。从计算效率角度出发,这里使用多层次的分块思路——最低层是单个微电极,较高层是逻辑块类的处理单位。按块来考察状态时,其内所含的各微电极都要被考虑,块磨损度即是一个例子,其计算公式为:
9、
10、其中表示当前选择的块内所有电极的磨损值累加总和,为该块中第i个电极的磨损值。
11、在上述基础上,系统会依次解析待执行的实验操作序列,例如分配、混合、稀释等常见生化操作,再根据预设的操作先后关系,分别对分配、混合、稀释这些操作进行位置布局及路由选择。
12、在选择实验操作的具体物理位置时,系统采用了以三种权重为指标的代价函数进行综合择优,公式如下:
13、
14、其中表示当前候选位置用以执行该操作的综合代价和,为该位置覆盖的各个电极的磨损值累加和,为空间势能权重,其目的是将模块引导至芯片边缘或靠近终点区域排布,从而减少对实验初期中心区域电极的过度使用,保护中心区域重要电极,为最大空闲矩阵保护权重,用于鼓励系统实验操作的紧凑布局,避免大面积的空闲矩阵因小范围的实验分散布局而造成该空闲矩阵电极空间碎片化,为后续放置大面积的实验提供了候选位置,其中分别为各项的权重系数,系统可以通过修改各权重来选择布局中各代价的优先级。
15、在生物芯片二维矩阵计算各候选块位置的代价值后,系统选取代价最低的块作为实验最终位置,并同步更新占用矩阵b,标记该位置的所有电极为占用状态,以防止后续模块再次放置在该位置,或者计算该位置代价,浪费计算力,从而有效的防止了不同模块之间产生资源冲突。
16、进入路由阶段之前,系统会先调用训练好的深度学习数据模型对整个芯片状态做一次预测。在这个预测中:为了得到更好的均衡预测结果,系统构建了一个四通道的特征输入张量,四个通道分别为当前各电极的磨损值、芯片的历史故障分布特征、液滴的实时占用情况、芯片边界和障碍物的硬性位置约束。如图3所示,将所述张量输入预设的u-net神经网络,使用编码器提取芯片整体的退化趋势特征,通过跳跃连接保留高分辨率的空间位置信息,最后由解码器输出一张全阵列映射的像素健康代价分布图,通过图中的每个像素值来代表液滴流经该点的可能发生失效的风险值。
17、生成健康代价分布图后,使用基于最小费用流的全局路由进行寻优,其算法逻辑为每一条的路的费用由几何距离和电极健康度加权决定,公式如下:
18、
19、其中为液滴从起始点到目的点的几何距离,正交移动为1.0对角移动为1.414,为路径各电极健康代价,为计算路由时各部分定义的权重系数。
20、把上面提到的所有实验操作都做完以后,为了模拟实际芯片所经历的电极磨损现象,系统要依所用布局及路由安排来辨识有关的电极,再按系统预设的累加方法把本次实验中各电极的损耗统计到磨损矩阵a中。而且当实验布局或路由过程涉及某些预测上风险较大的电极单元时,系统即把相应电极的位置加入故障记忆矩阵,所记的坐标数据在下一次做步骤s3的迭代时作为输入特征送入深度学习模型加以分析,借由长期的训练获得有关易损点的信息,由此使系统有办法逐渐判断哪些地方应避免配置、哪些可适当利用,在布局与路由上作较合理的安排。
1.一种基于深度学习预测与最小费用流规划的生物芯片自动化综合方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,步骤s1通过构建全阵列数字化矩阵模型,并借助向量化运算引擎实现同步更新微电极损耗数据,从而在大规模电极调度场景下有效降低了计算时延。
3.根据权利要求1所述的方法,其特征在于,步骤s2中所采用的多目标代价函数包含三项:区域磨损总和项、引导模块向芯片边缘及终点趋向度的空间势能项、以及最大空闲矩阵保护项。
4.根据权利要求1所述的方法,其特征在于,步骤s2中提到的实验布局多目标代价函数公式如下:
5.根据权利要求1所述的方法加以说明,其特征在于,步骤s3是按u-net架构来设计卷积神经网络的,以四通道特征图作为输入,在编码器逐层归纳特征,求得有关整体退化的信息;又把编码所获的电极位置类细节立即借由跳跃连接传到解码器部分,让解码过程可以复原位置关系,最后对原始电极布局所占空间作像素级分析,最终生成与原始电极阵列空间对应的像素级的健康代价估计。
6.根据权利要求1所述的方法,其特征在于,步骤s3所述的多通道特征图由四类反映电极状态的特征矩阵复合而成,分别为:
7.根据权利要求1所述的方法,所述步骤s4在构建有向流网络时,通过计算液滴覆盖区域内的健康代价平均值,确定液滴在特定坐标下的权重。
8.根据权利要求1所述的方法,所述最小费用流算法采用带有节点势能优化的连续最短路算法,并利用欧几里得距离启发式函数初始化各节点势能,以加速收敛。
9.根据权利要求1所述的方法,所述步骤s5中,通过将路由过程中健康代价高于预设阈值的区域累加至历史故障记忆矩阵,并同步其电极使用频率,为下一轮神经网络推理提供长期记忆,形成闭环优化。
10.一种生物芯片自动化综合系统,其特征在于,包括:所述处理器执行所述指令时实现如权利要求1-9任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com