나노포어 (Nanopore) 장치는 단일 분자 센싱을 위한 강력한 도구로 부상하였으며, 신속하고 휴대 가능한 진단 가능성을 보유하고 있습니다. 이 장치들은 분석물 (analytes)이 나노미터 규모의 기공 (pores)으로 들어올 때 이온 전류 (ionic current)의 변화를 감지하여, 특유의 신호 패턴으로부터 다양한 바이오마커 (biomarkers)를 식별할 수 있는 수단을 제공합니다. 그러나 이러한 신호들은 매우 복잡하며, 이를 특정 분자에 안정적으로 할당하는 것은 여전히 주요한 과제로 남아 있습니다. 본 연구에서는 원시 시계열 데이터 (raw time-series data), 웨이브렛 기반 이미지 (wavelet-based images), 그리고 정적 특징 벡터 (static feature vectors)를 포함한 다중 신호 표현을 공동으로 처리하는 멀티모달 (multi-modal) 딥러닝 아키텍처를 도입하여 이 문제를 해결합니다. 우리의 접근 방식은 42-펩타이드 (42-peptide) 벤치마크에서 기존 방법보다 10 퍼센트 포인트 이상 뛰어난 성능을 보였으며, 20-아미노산 (20-amino-acid) 데이터셋으로 전이했을 때 거의 완벽한 정확도를 나타냈습니다. 이 모델은 이러한 표현들로부터 상호 보완적인 정보를 통합하며, 어텐션 분석 (attention analysis) 결과 시계열 및 웨이브렛 이미지 입력이 동일한 이벤트의 서로 다른 특징을 강조한다는 것을 보여줍니다. 종합적으로, 이러한 결과는 나노포어 센서를 활용하여 견고하고 높은 정확도의 분자 식별을 가능하게 하는 머신러닝 (machine learning)의 잠재력을 입증합니다.