基于FTIR的分子指纹识别,以使用机器学习从人类血清中快速分类登革热和奇孔古尼亚:一项观察性研究
Souvik Das1,2, Subhanita Roy2,3, Aritri Bir4
1Advanced Technology Development Centre, Indian Institute of Technology Kharagpur, West Bengal, India.
The Lancet regional health. Southeast Asia
|July 21, 2025
概括
福利埃变换红外光谱法 (FTIR) 与机器学习相结合,可以准确地将登革热和奇孔古尼亚从血清中区分开来,为树状病毒疾病提供了快速,无标签的诊断替代方案.
科学领域:
- 生物物理学的生物物理.
- 医学诊断 医学诊断 医学诊断
- 机器学习 机器学习
背景情况:
- 登革热和 chikungunya 是由Aedes蚊子传播的共原住民树状病毒.
- 传统的诊断 (ELISA,RT-PCR) 面临着诸如交叉反应和基础设施需求等局限性.
- 振动光谱学提供了一种无标签的方法来检测血清中宿主分子变化.
研究的目的:
- 为了评估里埃变换红外线 (FTIR) 和拉曼微光谱学与机器学习的登革热和 chikungunya诊断.
- 评估振动光谱在人血清样本上的诊断潜力.
- 为了比较FTIR和拉曼光谱在分类树状病毒感染中的性能.
主要方法:
- 观察性研究分析了确诊登革热 (N=142), chikungunya (N=120) 和健康对照 (N=40) 的血清.
- 使用FTIR和拉曼微光谱学获取振动光谱.
- 使用支持矢量机 (SVM),神经网络 (NN) 和随机森林 (RF) 模型进行光谱解卷和分类.
主要成果:
- 在感染的血清中,FTIR发现了明显的光谱特征,显示β-sheet增加和α-helical含量减少.
- 在FTIR数据上训练的机器学习模型 (SVM,RF,NN) 实现了近乎完美的分类 (AUC=1.000,CA-score ≥0.989).
- 与拉曼光谱相比,FTIR显示出优越的样本聚类,清晰地分离了奇孔古尼亚病例.
结论:
- 与机器学习集成的FTIR提供了一个强大的,快速和可扩展的诊断平台,用于树状病毒感染.
- 这种方法最大限度地减少了交叉反应,并提高了与传统技术相比的诊断速度.
- 在护理点部署可以改善树状病毒监测和临床管理,特别是在资源有限的环境中.
