- 3 次围观
随着全球粮食需求的快速增长，水产养殖已成为未来粮食安全的关键支柱。然而，水产养殖系统仍然极易受到致病菌的侵袭，因此，快速识别拮抗微生物对于实现可持续的疾病防控至关重要。传统评估方法依赖荧光标记或培养后的检测手段，这限制了在混合微生物群体中以实时、无标记的方式定量动态相互作用的能力。本文提出了一种计算框架，通过利用从显微镜视频中提取的时间序列运动特征，对哈维氏弧菌（Vibrio harveyi）与环境细菌的混合比例进行分类。我们定义了24个具有可解释性的运动性描述符，并采用时序卷积网络（Temporal Convolutional Network, TCN）学习其时间结构。所提出的方法实现了93.3%的分类准确率，优于传统静态统计方法和其他机器学习模型。这些结果表明，微生物群落中混合物的判别并不取决于运动性的绝对幅度，而是受群体一致性及其时间稳定性的支配。我们的研究建立了一个时间分辨的计算框架，用于量化混合微生物群体中的动态集体有序性，并凸显了其在无标记自动化筛选和机器人微生物学应用中的潜力。
光流揭示运动性特征：通过时间卷积网络推断致病菌混合物组成 | bioRxiv
跳转至主要内容 首页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 最新结果
光流揭示运动性特征：通过时间卷积网络推断致病菌混合物组成
查看 ORCID 个人主页 Yuki Fujita ， Yuki Nagase ， Sarthak Pathak ， Alessandro Moro ， 查看 ORCID 个人主页 Hiroaki Suzuki ， 查看 ORCID 个人主页 Keiichiro Koiwai ， Kazunori Umeda
doi： https://doi.org/10.64898/2026.06.29.735172
Yuki Fujita 1 中央大学后乐园校区：Chuo Daigaku - Korakuen Campus； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY 4.0 国际许可协议 提供。
返回顶部 上一页 下一页
发表于 2026 年 6 月 29 日。
下载 PDF 电子邮件
感谢您有兴趣帮助传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送至 * 请将多个地址分行输入，或用逗号分隔。
您将要发送以下内容 光流揭示运动性特征：通过时间卷积网络推断致病菌混合物组成
邮件主题 （您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动垃圾信息提交。
分享
光流揭示运动性特征：通过时间卷积网络推断致病菌混合物组成 Yuki Fujita ， Yuki Nagase ， Sarthak Pathak ， Alessandro Moro ， Hiroaki Suzuki ， Keiichiro Koiwai ， Kazunori Umeda bioRxiv 2026.06.29.735172； doi： https://doi.org/10.64898/2026.06.29.735172
分享本文： 复制
引文工具
光流揭示运动性特征：通过时间卷积网络推断致病菌混合物组成 Yuki Fujita ， Yuki Nagase ， Sarthak Pathak ， Alessandro Moro ， Hiroaki Suzuki ， Keiichiro Koiwai ， Kazunori Umeda bioRxiv 2026.06.29.735172； doi： https://doi.org/10.64898/2026.06.29.735172
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.29.735172v1?rss=1
🏷️ 致病菌混合物分类 微生物运动性 光流分析 时序卷积网络 显微视频分析 无标记检测