一种神经元损伤差异生物大分子光谱标志峰、识别方法及应用技术

本发明专利技术提供了一种神经元损伤差异生物大分子光谱标志峰、识别方法及应用，属于光谱分类技术领域；在本发明专利技术中，基于拉曼光谱得出大脑中动脉闭塞(MCAO)模型产生的光谱峰数据，然后对光谱峰数据进行主成分分析、vector analysis等方法鉴定生物大分子特征光谱峰，并采用随机森林算法进行分类模型构建，通过分类模型得到所述神经元损伤差异生物大分子光谱标志峰和识别方法；所述神经元损伤差异生物大分子光谱标志峰在非诊断与治疗目的的评价神经元损伤有着很好的应用。经元损伤有着很好的应用。经元损伤有着很好的应用。

【技术实现步骤摘要】
一种神经元损伤差异生物大分子光谱标志峰、识别方法及应用


[0001]本专利技术属于光谱分类
，具体涉及一种神经元损伤差异生物大分子光谱标志峰、识别方法及应用。

技术介绍

[0002]缺血性脑卒中临床溶栓治疗后，血流重建脑缺血再灌注释放炎症信号，介导炎性细胞的聚集和炎性因子的释放，引发脑组织缺血再灌注损伤。因此，需要精准评价药物在此阶段的神经元细胞保护作用，这对临床的用药具有重要的指导作用。然而传统的病理染色不能揭示神经元细胞生物大分子的代谢变化，无法对神经元损伤程度进行可视化、精准评估，无法对不同损伤程度神经元进行精准鉴别。
[0003]生物光谱作为一项跨领域技术，通过对一系列波长范围的光与物质作用的观察和测量，实现对物质含量，结构组成等信息的获取，针对细胞和组织构成的显著化学变化提供无损、快速、准确、高数据量的分子特异性的信息，结合数据处理进而实现从分子水平到组织水平的光谱检测和光谱诊断。目前，将生物光谱如拉曼光谱与传统病理显微观察技术相结合，尽管能够实现组织切片的多维数据采集，在记录组织细胞光谱指纹的同时获得生化信息来预估细胞的生理状态，但是拉曼光谱产生极大的数据量，依靠人工分辨特征峰，工作量巨大。因此，需要提供一种精确度高、快速的神经元损伤差异生物大分子光谱标志峰识别方法。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种神经元损伤差异生物大分子光谱标志峰、识别方法及应用。在本专利技术中，基于拉曼光谱得出大脑中动脉闭塞(MCAO)模型产生的光谱峰数据，然后对光谱峰数据进行主成分分析、vector analysis等方法鉴定生物大分子特征光谱峰，并采用随机森林算法进行分类模型构建，通过分类模型得到所述神经元损伤差异生物大分子光谱标志峰和识别方法；所述神经元损伤差异生物大分子光谱标志峰在非诊断与治疗目的的评价神经元损伤有着很好的应用。
[0005]本专利技术中还提供了一种神经元损伤差异生物大分子光谱标志峰，所述神经元损伤差异生物大分子光谱标志峰的特征位置为1000cm
‑1(苯丙氨酸)。
[0006]本专利技术中还提供了上述神经元损伤差异生物大分子光谱标志峰的识别方法，所述识别方法包括：
[0007]S1:建立不同程度神经元损伤大脑中动脉闭塞(MCAO)模型，脑组织切片并HE染色，然后以组织切片为检测载体进行神经元细胞拉曼采集和数据处理，建立神经元损伤的光谱数据库；
[0008]S2:对不同程度神经元损伤的光谱数据库中的光谱数据进行预处理，得到光谱特征指数优选数据集；
[0009]S3:利用机器学习算法PCA
‑
LDA开展不同组别神经元细胞的光谱数据生化特征峰抓取，得到光谱数据中与蛋白质、核酸和脂质等生物大分子变化相关联的峰位；
[0010]S4:利用机器学习算法随机森林开展不同组别神经元细胞的光谱数据模型构建，得到神经元分类模型，分析光谱差异峰。
[0011]进一步地，步骤S1中，所述神经元损伤的光谱数据库的构建方法具体包括：对切片后的脑组织进行脱蜡，然后进行光谱测量获得不同神经元损伤进程的光谱测量结果，整理所有神经元损伤的光谱测量数据构建出神经元损伤光谱数据库。
[0012]进一步地，步骤S2中，所述预处理的方法包括：利用多项式校正光谱数据库基线、小波去噪和对数据进行矢量归一化，然后得到光谱特征指数优选数据集。
[0013]进一步地，步骤S3中，所述光谱数据中与蛋白质、核酸和脂质等生物大分子变化相关联的峰位的获得方法包括：
[0014]S3.1：对光谱数据进行归一化处理，并去除潜在的石蜡峰等干扰峰，建立光谱数据优选数据集；
[0015]S3.2：利用T
‑
TEST分析对不同组别神经元的光谱数据差异显著性进行初步判断，锚定生化大分子变化峰位的分布区域；
[0016]S3.3：将光谱数据导入Matlab，使用机器学习算法“PCA
‑
LDA”和“vector analysis”对步骤S3.2中的光谱数据进行主成分分析；
[0017]S3 4：根据“PCA
‑
LDA”和“vector analysis”的分析结果，结合生化大分子的光谱峰位，确定模型组和药物恢复组不同组别间的差异生物大分子峰。
[0018]进一步地，步骤S4中，所述利用机器学习算法随机森林开展不同组别神经元细胞的光谱数据模型构建的步骤包括：
[0019]S4.1：对光谱数据进行归一化处理，并去除潜在的石蜡峰等干扰峰，建立光谱数据优选数据集；
[0020]S4.2：将光谱数据优选数据集按照预设比例分为训练集和验证集，同时保证在每一类别的数据中占比也相同；
[0021]S4.3：使用随机森林机器学习算法对步骤S4.2中的训练集进行分类；
[0022]S4.4：根据随机森林算法的评估参数对神经元多分类模型进行精度评估，确定其分类效果；
[0023]S4.5：采用变量重要性参数获得影响多分类模型的关键差异峰。
[0024]进一步地，步骤S4.2中，所述预设比为7:3。
[0025]进一步地，步骤S4.4中，所述评估参数为：sensitivity、specificity、out of bag error(OOB)、Kappa系数。
[0026]本专利技术中还提供了上述神经元损伤差异生物大分子光谱标志峰在非诊断与治疗目的地评估神经元损伤程度中的应用。
[0027]与现有技术相比，本专利技术的有益效果在于：
[0028]本专利技术通过机器学习算法与传统的HE染色相结合，提取不同损伤程度神经元的生物差异光谱峰，建立神经元生物指纹数据库，深入解析细胞内生物大分子变化与神经元损伤的关联。
[0029]本专利技术中借助拉曼光谱技术，以脑组织石蜡切片为载体，建立以组织切片为检测
载体的拉曼采集和数据处理系统，鉴定不同损伤程度神经元的生物差异光谱峰，实现了基于拉曼光谱技术的神经元细胞原位快速检测与评价，能够有效克服传统的HE染色法诊断缺血性脑卒中存在的主观性。
[0030]相比传统PCA
‑
LDA和相关算法仅能实现类别识别，但是难以实现特征峰提取和原位可视化表征。本专利技术中利用随机森林模型构建了多变量分类预测模型，将不同损伤状态下的神经元预测分类，随机森林模型的预测精度用带外数据(OOB)表示为1.79％，对于5类不同损伤状态下的神经元的预测分类正确达到了98.46％，kappa系数用来衡量混淆矩阵的分类精确度，为0.9803，显示了多变分类预测模型的高精确度和可靠性。
附图说明
[0031]图1为缺血再灌注损伤大鼠神经功能损伤评分结果图。
[0032]图2为阿魏酸钠对缺血再灌注损伤大鼠脑组织病理形态学影响情况图(HE，
×
400)，图中，A.假手术组；B.模型组；C.阿魏酸钠低剂量组；D.阿魏酸钠中剂量组；E.阿魏酸钠高剂量组。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经元损伤差异生物大分子光谱标志峰的识别方法，其特征在于，所述识别方法包括：S1:建立不同程度神经元损伤大脑中动脉闭塞模型，脑组织切片并HE染色，然后以组织切片为检测载体进行神经元细胞拉曼采集和数据处理，建立神经元损伤的光谱数据库；S2:对不同程度神经元损伤的光谱数据库中的光谱数据进行预处理，得到光谱特征指数优选数据集；S3:利用机器学习算法PCA
‑
LDA开展不同组别神经元细胞的光谱数据生化特征峰抓取，得到光谱数据中与蛋白质、核酸和脂质等生物大分子变化相关联的峰位；S4:利用机器学习算法随机森林开展不同组别神经元细胞的光谱数据模型构建，得到神经元分类模型，分析光谱差异峰。2.根据权利要求1所述的神经元损伤差异生物大分子光谱标志峰的识别方法，其特征在于，步骤S1中，所述神经元损伤的光谱数据库的构建方法具体包括：对切片后的脑组织进行脱蜡，然后进行光谱测量获得不同神经元损伤进程的光谱测量结果，整理所有神经元损伤的光谱测量数据构建出神经元损伤光谱数据库。3.根据权利要求1所述的神经元损伤差异生物大分子光谱标志峰的识别方法，其特征在于，步骤S2中，所述预处理的方法包括：利用多项式校正光谱数据库基线、小波去噪和对数据进行矢量归一化，然后得到光谱特征指数优选数据集。4.根据权利要求1所述的神经元损伤差异生物大分子光谱标志峰的识别方法，其特征在于，步骤S3中，所述光谱数据中与蛋白质、核酸和脂质等生物大分子变化相关联的峰位的获得方法包括：S3.1：对光谱数据进行归一化处理，并去除干扰峰，建立光谱数据优选数据集；S3.2：利用T
‑
TEST分析对不同组别神经元的光谱数据差异显著性进行初步判断，锚定生化大分子变化峰位的分布区域；S3.3：将光谱数据导入Matlab，使用机器学习算法...

【专利技术属性】
技术研发人员：刘明英，穆菊，王淼，汪禹，周佳楠，
申请(专利权)人：浙江中医药大学，
类型：发明
国别省市：