通过无标签拉曼光谱学与卷积神经网络算法相结合,识别小鼠肝糖原的结构稳定性和脆弱性
Liang Wang1, Zhang-Wen Ma2, Jia-Wei Tang3
1Laboratory Medicine, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, Guangdong Province, China; Department of Laboratory Medicine, Shengli Oilfield Central Hospital, Dongying, Shandong Province, China; School of Medical Informatics and Engineering, Xuzhou Medical University, Xuzhou, Jiangsu Province, China; Centre for Precision Health, School of Medical and Health Sciences, Edith Cowan University, Perth, Western Australia, Australia.
International journal of biological macromolecules
|December 5, 2024
概括
持续的脆弱肝糖原可能表明疾病. 表面增强拉曼光谱 (SERS) 与卷积神经网络 (CNN) 模型相结合,可以快速检测脆弱的葡萄糖原,帮助早期诊断肝病.
科学领域:
- 生物化学 生物化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 肝糖原表现出白天的结构变化,通常在白天稳定,在晚上脆弱.
- 在糖尿病和肝纤维化等疾病中,这种日间结构变化被破坏,导致持续的糖原脆弱性.
- 持续的糖原结构脆弱性是早期发现肝病的潜在生物标志物.
研究的目的:
- 开发一种新的,快速的方法来区分稳定和脆弱的肝糖原颗粒.
- 调查表面增强拉曼光谱 (SERS) 分析糖原结构的实用性.
- 评估基于SERS数据的机器学习模型来对糖原结构状态进行分类.
主要方法:
- 使用表面增强的拉曼光谱法 (SERS) 来从糖原样本中获取光谱数据.
- 在稳定和脆弱的糖原颗粒之间确定了明显的SERS光谱特征.
- 机器学习模型,包括一个卷积神经网络 (CNN),被训练来预测使用SERS光谱的糖原结构状态.
主要成果:
- SERS成功地揭示了稳定和脆弱的糖原颗粒之间的显著结构差异.
- 卷积神经网络 (CNN) 模型在区分两种糖原结构状态方面表现出最高的准确性.
- 综合SERS和CNN方法有效地确定了糖原的结构脆弱性.
结论:
- 表面增强拉曼光谱 (SERS) 与CNN模型相结合,提供了一种有效的方法来识别稳定和脆弱的肝糖原.
- 糖原结构脆弱性可以作为早期诊断肝脏疾病的潜在生物标志物.
- 这种技术为肝脏疾病查的临床应用提供了一个有希望的,快速和可访问的方法.
