核酸检测广泛应用于肿瘤筛查、遗传病检测、产前诊断等，被誉为传染性疾病诊断的“金标准”，同时也是突发和新发传染病防控中的关键分子诊断技术。在临床检测中，目标核酸片段常处于极低拷贝水平，荧光定量PCR通过扩增反应将微量目标序列转化为可采集的荧光信号。因此，如何准确刻画光学信号与生化反应过程之间的关系，直接关系到检测结果的判读、定量分析和跨场景应用能力。

然而，不同病原体和靶序列、不同引物探针与试剂体系、不同样本类型以及不同仪器光学系统，都会影响扩增曲线形态。传统阈值法、导数法和曲线拟合法在标准扩增曲线中具有较好稳定性，但在低增益、非特异扩增、背景波动或复杂异常曲线中，容易出现关键点定位偏差、假阳性或假阴性等问题。大规模筛查和多场景检测应用进一步要求核酸检测算法同时具备个性化适应能力与通用分析能力。

针对上述难题，我院张东旭副教授团队围绕定量核酸检测中“荧光值—目标序列复制率”的核心关系，提出了一套知识引导深度学习框架 FVTSR。该框架将 PCR 扩增过程中的光学信号变化、荧光共振能量转移过程和深度学习时序建模相结合，在不依赖单一固定阈值或固定窗口假设的情况下，实现对扩增曲线关键点和初始拷贝数的稳健评估。

研究中，团队首先构建了BiGRU-BWI算法，利用双向门控循环单元捕捉扩增曲线前后时序信息，提高荧光背景窗口识别和基线拟合准确性；随后引入动态差分判定方法，用于识别非特异扩增等异常信号；并进一步提出基于能量迁移思想的定量算法，通过定位指数扩增阶段关键点，建立荧光信号、扩增效率与初始绝对拷贝数之间的定量联系。

实验验证结果显示，FVTSR在背景窗口识别、关键点定位、定量准确性、重复性和复杂曲线判读等方面均表现良好。与传统固定窗口方法相比，BiGRU-BWI 显著降低了均方误差，提高了关键点识别准确性；在CMV病毒梯度浓度样本测试中，FVTSR与Bio-Rad CFX96 Touch商业PCR仪结果保持较好一致，并在多次重复检测中展现出良好的稳定性。同时，该框架能够有效识别非特异扩增信号，在低增益、低信噪比样本以及背景增强型、V型、U型、波浪型和高初始浓度等复杂异常曲线中表现出较强鲁棒性。研究团队还进一步在不同靶序列、不同引物探针体系及真实临床样本中验证了模型的通用性，其中在52例淋球菌临床样本中，模型定性判断准确率达到100%，关键点结果与临床诊断仪器保持良好一致。

该研究从核酸扩增反应的动态生化过程出发，将深度学习时序识别与能量转换机理相结合，为荧光定量PCR数据分析提供了一种兼具物理可解释性和数据适应性的技术路径，有望为临床核酸检测仪器算法升级、多靶标检测和大规模筛查结果判读提供新的技术支撑。

近日，相关成果以 “A Knowledge-Guided Deep Learning Framework for Quantitative Nucleic Acid Testing” 为题，在线发表于生物信息学领域国际顶刊 Briefings in Bioinformatics（2026, 27, bbag297）。

我院博士生杨佳羽为该论文第一作者，张东旭副教授为该论文通讯作者。该研究得到了国家自然科学基金、厦门市自然科学基金、内蒙古自治区重点研发和成果转化计划以及新疆中央引导地方科技发展专项资金等项目的支持。

论文链接：https://doi.org/10.1093/bib/bbag297

（公共卫生学院）