编辑推荐：
原子力显微镜（AFM）压痕技术可用于细胞和组织生物力学特性的高分辨率空间表征，但 AFM 力曲线的快速、可重复和定量分析受技术限制。研究人员开展了利用卷积和循环神经网络进行 AFM 数据分析的研究，提出 COBRA 算法，能有效处理数据，该算法可提高分析精度和可重复性。
原子力显微镜（Atomic Force Microscope，AFM）压痕技术能够对细胞和组织的生物力学特性进行高分辨率的空间表征。然而，由于存在一些技术限制，比如过多的噪声以及接触点确定时的不确定性，对 AFM 力曲线进行快速、可重复且定量的分析一直颇具挑战。
在此，研究人员提出了一种全新的机器学习（Machine Learning，ML）算法，即由卷积双向长短期记忆神经网络构成的 COBRA（Convolutional Bidirectional Recurrent Architecture）算法。该算法无需预先了解基础材料的属性，就能可靠地处理 AFM 弹性成像的原始数据，对低质量的曲线进行筛选，并精准识别接触点。
研究人员利用 7 种不同的健康和病变细胞类型中超过 5000 条经过人工筛选的力曲线，训练了多种回归和分类算法，以比较它们的效用。与传统的分析或半定量技术以及其他 ML 方法相比，COBRA 方法在识别低质量或异常的压痕事件方面表现更优，曲线下面积达到 0.92。同时，它在估计接触点时的最小绝对误差为 28±3 nm，在逐点弹性模量的估计上，平均绝对百分比误差仅为 5.3±0.7%。该方法还成功地在从文献中独立获取的、使用不同探针和基底的 AFM 数据中识别出了接触点。
总之，该方法能够快速筛选低质量的 AFM 力曲线，以最低的误差自动处理原始压痕数据，从而实现高通量分析，提高分析的精度和可重复性。
