用拉曼光谱和比较机器学习对鼠辐射诱导的肺损伤的代谢分析

科学领域:

• 生物医学光学 生物医学光学
• 代谢学 代谢学 代谢学
• 机器学习 机器学习

背景情况:

• 辐射诱导肺损伤 (RILI) 是胸部放射治疗的一个显著毒性.
• 了解RILI中的代谢变化,特别是肺炎和肺纤维化,至关重要.
• 拉曼光谱显示了组织状态差异化的前景,但代谢物关联需要进一步探索.

研究的目的:

• 用拉曼光谱和机器学习研究与辐射肺炎和肺纤维化发生的代谢关联.
• 为了确定预测RILI早期 (肺炎) 和晚期 (纤维化) 阶段的特定代谢物.
• 为了比较RILI代谢物识别的不同机器学习方法的性能.

主要方法:

• 从辐射和非辐射小鼠的肺组织中收集了拉曼光谱.
• 使用组和基础限制非负矩阵因子化 (GBR-NMF) 与随机森林 (RF) 结合用于光谱分解和分类.
• 将GBR-NMF-RF与主要组件分析-RF (PCA-RF),卷积神经网络 (CNN) 和后勤回归 (LR) 进行比较.
• 员工休假-一个-鼠标-交叉验证,以进行可靠的绩效评估.

主要成果:

• GBR-NMF-RF证明了与其他方法相比的准确性和日志损失.
• 在所有分类任务中,没有一种单一的方法是普遍优越的.
• GBR-NMF-RF确定了原及其前体作为肺纤维化的主要预测因素.
• 涉及免疫和炎症功能的氨酸和氨酸被确定为辐射肺炎的首要预测因素.
• 美国有线电视新闻网的解释热图证实了GBR-NMF-RF发现的代谢物关联.

结论:

• 拉曼光谱与GBR-NMF-RF相结合,为与RILI阶段相关的代谢变化提供了可解释的见解.
• 特定的代谢物,包括纤维化中的原蛋白和肺炎中的氨酸/氨酸,与RILI有关.
• 这种方法有助于理解辐射引起的肺损伤的代谢基础.