Project title

miR-AclEAI-optimized DNA logic networks and molecular beacons for precision tumor diagnostics

T1 医药健康miR-AclE分子信标荧光

天津大学 ATCG 碱基互补配队做的是液体活检里的一个具体麻烦：不同样本中外泌体数量差异很大，只看单一荧光信号，很容易把「样本多」误认成「靶标多」。团队采用双通道比值化 —— 一个信号报告外泌体捕获量，另一个报告其中的 miRNA 丰度，用内部校准把误差消掉。

Team name: ATCG 碱基互补配队
Institution: 天津大学合成生物与生物制造学院

不同样本中的外泌体数量存在差异，单看一条荧光信号，难以区分样本量变化与目标 miRNA 丰度变化。其中一个通道反映外泌体捕获量，另一个通道反映其中的 miRNA 丰度；两者取比值，用样本自身信号作内部校准，以减少样本量差异和背景信号对读数的影响。

设计前提: 探针必须专一
优化约束: 序列与结构协同
筛选方式: AI 多目标筛选

01
阶段 1
闭环走到哪一步了
Design：根据核酸序列与结构特征筛选候选探针。Build、Test：在实验中完成探针构建，测量荧光响应、背景信号、特异性等指标。Learn：把这些真实实验结果整理成机器学习可用的数据，让模型学习什么样的探针表现更好。进度本身：目前已经获得了包括多组分子信标交叉特异性在内的实验数据，正在建立第一版机器学习模型。那张交叉特异性矩阵就是这批数据的样子：对角线亮，非对角线暗。
02
阶段 2
荧光读数区分目标与非目标序列
分子信标在目标序列打开其发夹结构后恢复荧光。当前实验中，实验组出现荧光恢复，非目标组保持较低背景，团队据此比较候选分子信标对目标与非目标序列的响应。
03
阶段 3
先明确科学问题，再选择方法
团队熟悉生物实验，但起初不熟悉机器学习的数据格式、特征工程和模型选择；有限的湿实验数据也促使团队调整最初的计算方案。由此形成的工作原则是先明确科学问题和可用数据，再选择合适的方法，并让实验与计算持续沟通、修正。

miR-AclE 项目海报海报呈现双通道 DNA 分子探针、外泌体捕获、miRNA 比值化检测与模型分析的整体方案。

交叉特异性矩阵矩阵对角线信号高、非对角线信号低，记录不同分子信标对目标与非目标序列的响应差异。