在分裂阶段使用拉曼光谱法对第3天培养基和机器学习进行胚胎选择:一项初步研究

科学领域:

• 生殖生物学 生殖生物学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 在辅助生殖技术 (ART) 中扩展胚胎培养可能会加速ART受孕儿童的衰老.
• 选择具有高发育潜力的第三天胚胎至关重要.
• 目前的方法在早期胚胎选择中缺乏精度.

研究的目的:

• 为了研究机器学习与Raman光谱相结合,用于第3天的培养基.
• 评估其预测延长胚胎培养结果的潜力.
• 为了使胚胎在分裂阶段的选择.

主要方法:

• 对172个消耗的第三天培养基样本进行前性分析.
• 样品分为良好的胚芽细胞,不良的胚芽细胞和不有用的胚胎.
• 获取拉曼光谱和应用机器学习 (无监督和监督) 进行预测.
• 评估了12个模型,其中前四个模型使用堆叠策略组合在一起.

主要成果:

• 监督机器学习为每个结果组确定了不同的光谱集群.
• 性能最好的模型包括多层感知子,人工神经网络,封闭循环单元和线性差异分析.
• 堆叠策略实现了0.94的整体精度,0.93的灵敏度和0.97.9的特异性.

结论:

• 机器学习与Raman光谱相结合,用于第3天的培养基是一种有希望的非侵入性方法.
• 这种方法可以在分裂阶段准确地选择胚胎.
• 通过早期选择可行的胚胎,有可能改善辅助生殖技术的结果.