机器学习支持的拉曼光谱学揭示了糖尿病老鼠血清中宏分子平衡的变化

科学领域:

• 生物化学 生物化学
• 频谱学是一种光谱学.
• 计算生物学 计算生物学

背景情况:

• 2型糖尿病 (T2DM) 具有失调的葡萄糖和脂质代谢的特征,作为疾病进展的早期指标.
• 监测这些代谢变化对于理解T2DM病理生理学和开发有效的诊断工具至关重要.

研究的目的:

• 使用拉曼光谱与机器学习 (ML) 结合,用于识别和量化T2DM中的血清代谢物不平衡.
• 确定受T2DM诱导变化的影响最大的特定代谢物.

主要方法:

• 拉曼光谱法用于从T2DM和对照大鼠的血清样本中获取光谱数据.
• 主要组件分析 (PCA) 应用于缩小维度和分组.
• 包括AdaBoost在内的四个不同的ML算法被训练来根据光谱特征对样品进行分类.
• 特征选择侧重于相关的光谱频段,以提高分类准确性.

主要成果:

• 通过PCA成功地将T2DM大鼠与对照物区分开来,使用与氨基酸,胺基,多糖和脂质相关的特定光谱带.
• 糖尿病诱导导致了蛋白质 (胺基),氨基酸和脂质 (CH带) 签名之间的显著相关性变化.
• 在使用选定的相关光谱频段时,AdaBoost实现了高分类性能 (F1=0.84),提高到 (F1=0.94).

结论:

• 拉曼光谱和ML为检测T2DM相关的代谢失调提供了一种强大,非侵入性的方法.
• T2DM显著影响血清蛋白质,包括芳香氨基酸,并改变脂质的数量和组成.
• 已识别的光谱标志物为早期T2DM诊断和监测提供了潜力.