확률적 단일 분자 신호로부터 해석 가능한 구조적 좌표의 잠재 공간 매핑

나노포어 (Nanopores)는 다재다능한 단일 분자 센서이지만, 그 유용성은 인코딩된 모든 정보를 왜곡하는 확률적 전이 역학 (stochastic translocation dynamics)에 의해 근본적으로 제한됩니다. 우리는 물리 정보 기반 모델 (physics-informed model)에서 생성된 시뮬레이션 신호만을 사용하여 학습된 대조 학습 인코더 (contrastive encoder)를 통해, 시간 영역 분석 (time-domain analysis)에서 학습된 잠재 공간 매핑 (latent-space mapping)으로 전환함으로써 이 문제를 해결합니다. 이 인코더는 설계된 DNA 바코드의 고체 상태 나노포어 신호를 해석 가능한 분자 좌표계로 매핑합니다. 학습된 표현 (representation)은 구조적 바코드 파라미터에 반응하면서도, 획득 조건 및 전이 형태 (translocation conformation)에 대해서는 불변성을 유지하여 장치 간의 데이터 풀링 (data pooling)을 가능하게 합니다. 분자 식별에는 인코더를 단 한 번 통과하는 과정이 필요하며, 이는 정렬 기반 방법 (alignment-based methods)에 비해 계산 비용을 3자릿수(1,000배) 감소시킵니다. 우리는 혼합물 정량화 (mixture quantification), 희귀 변이 검출 (rare-variant detection), 컨센서스 바코드 재구성 (consensus barcode reconstruction), 그리고 실시간 신호 획득을 통해 이를 실험적으로 검증합니다. 시간적 분석에서 구조적 좌표를 잠재 공간으로 매핑하는 이러한 전환은, 분류 (classification)를 해석 가능한 인코딩된 분자 정보와 연결함으로써 확률적 센서 신호를 분석하는 패러다임을 변화시킵니다.