机器学习增强的超谱拉曼成像用于阿尔茨海默氏症大脑的无标签分子图谱

科学领域:

• 生物医学成像技术 生物医学成像技术
• 频谱学是一种光谱学.
• 人工智能的人工智能

背景情况:

• 无标签的分子成像对于理解复杂的生物过程和阿尔茨海默病 (AD) 等疾病至关重要.
• 现有的生物成像方法在分子特异性,分辨率和详细组织分析的标签要求方面存在局限性.
• 阿尔茨海默氏症的特征是神经退行和特定区域的大脑恶化,突出了先进的成像技术的需要.

研究的目的:

• 开发和验证一种机器学习增强的高光谱拉曼成像框架,用于对AD小鼠大脑切片的无标签分子图谱构建.
• 为了实现亚微米分辨率,用于分子分辨率的生化分布的空间映射.
• 为了证明在AD中超越经典的粉样β (Aβ) 病理学捕捉分子异质性的能力.

主要方法:

• 整合无监督和监督机器学习 (ML) 算法与高光谱拉曼成像.
• 该框架应用于AD小鼠大脑切片,用于谱方差提取和特征识别.
• 生成分子地图以可视化区域依赖的生物化学分布.

主要成果:

• ML-Raman成像框架成功构建了一个AD小鼠大脑切片的分子地图,具有亚微米分辨率.
• 确定了Aβ42积累的增加和胆固醇和糖原代谢的区域特异性变化,特别是在海马和皮质.
• 该研究表明,该框架能够捕捉超越传统Aβ病理学的分子异质性.

结论:

• 开发的ML-Raman成像框架为空间分辨率生物化学成像提供了一个可解释的,数据驱动的方法.
• 这种方法桥梁光学光谱学和人工智能复杂的生物组织的定量分子特征.
• 该框架广泛适用于异质生物组织和纳米结构材料,用于探测化学和纳米级相互作用.