近日，来自大阪大学的科研团队利用深度学习减少了从纳米孔中收集电流数据时的噪音，这意味着在处理非常微小的实验或医疗诊断时能提供更高精度的测量结果。来自大阪大学科学与工业研究所的科学家们使用机器学习方法，提高当小球体通过切入硅基底的微观纳米孔时收集到数据的信噪比。这项工作可能导致在对 DNA 进行测序或检测小浓度的病原体时提供更敏感的数据结果。

微型化为包括疾病的即时检验（point-of-care detection）等一系列诊断工具提供了可能，可以快速的用非常小的样本进行。例如，未知颗粒可以通过让它们通过纳米孔并记录电流的微小变化来进行分析。然而，这些信号的强度可能非常低，而且往往被掩盖在随机噪声之下。显然需要新的技术来提取有用的信息。

现在，来自大阪大学的科学家已经使用深度学习对纳米孔数据“去噪”。大多数机器学习方法需要用许多 "干净 "的例子进行训练，然后才能解释噪声数据集。然而，使用一种名为 "Noise2Noise "的技术，该技术最初是为增强图像而开发的，该团队能够提高噪声运行的分辨率，即使没有干净的数据可用。深度神经网络的作用就像大脑中的分层神经元，被用来减少数据中的干扰。

第一作者 Makusu Tsutsui 说：“深度去噪使我们能够揭示出被随机波动隐藏的离子电流信号中的微弱特征。我们的算法旨在选择最能代表输入数据的特征，从而使计算机能够检测并减去原始数据中的噪声”。这个过程被重复了很多次，直到恢复了基本信号。从本质上讲，利用许多噪音运行来产生一个干净的信号。

高级作者 Takashi Washio 解释说：“我们的方法可能会扩大纳米孔传感的能力，以快速和准确地检测感染疾病。即使基础信号非常弱的情况下，这项研究可能会导致更准确的诊断测试”。