zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1626Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESВыбор спектральных переменных в спектрах ближнего ИК-диапазона для моделирования содержания гемоглобина в биологических водных растворахVariable Selection in Near-Infrared Spectra for Modeling of Hemoglobin Content in Bio-Water SolutionsFangR.FangR.

Хэфэй

Renjie Fang  

Hefei

HanX.HanX.

Хэфэй

Xin Han  

Hefei

xhan@aiofm.ac.cnLiX.LiX.

Хэфэй

Xiangxian Li  

Hefei

TongJ.TongJ.

Хэфэй

Jingjing Tong 

Hefei

GaoM.GaoM.

Хэфэй

Minguang Gao  

Hefei

WangY.WangY.

Хэфэй

Yang Wang 

Hefei

Хэфэйский институт физических наук Китайской академии наук; Университет науки и технологий КитаяКитайHefei Institutes of Physical Science, Chinese Academy of Sciences; University of Science and Technology of ChinaChinaХэфэйский институт физических наук Китайской академии наукКитайHefei Institutes of Physical Science, Chinese Academy of SciencesChina202403082024914613613Copyright © Fang R., Han X., Li X., Tong J., Gao M., Wang Y., 20242024Fang R., Han X., Li X., Tong J., Gao M., Wang Y.Fang R., Han X., Li X., Tong J., Gao M., Wang Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/1626

Для повышения надежности результатов спектроскопии ближнего инфракрасного диапазона (NIRS), на которые оказывает влияние фоновое содержание воды в образцах, смоделированы типичные образцы биологической воды, содержащие гемоглобин (Hb), глюкозу (Glc) и дистиллированную воду. Использованы четыре алгоритма выбора спектральных переменных: CARS, RF, GA и VIP, для определения характерных полос, устойчивых к помехам воды, при комбинировании с методом частичных наименьших квадратов (PLS) для построения модели надежного количественного определения Hb. Применимость и достоверность модели подтверждены с использованием трех прогнозных наборов P1, P2, P3 с различным водным фоном (метод составления и состав оставались прежними, последовательно увеличивалось лишь содержание воды). Показано, что с помощью алгоритмов RF, GA и VIP можно исключать характерные длины волн Hb с низкой чувствительностью к изменениям количества воды и успешно корректировать влияние воды, однако из-за большого количества характеристических переменных исключается и большое количество избыточных переменных, в том числе переменных, относящихся к помехам воды, что в конечном итоге делает модель несовершенной. Алгоритм CARS показывает лучшие результаты, а RMSEP трех прогнозных наборов составляет 0.016, 0.017 и 0.038, что ближе к RMSECV калибровочного набора. Следовательно, NIRS в сочетании с выбором переменных может уменьшить влияние воды на надежность модели и повысить точность прогнозирования модели методом выбора эффективных интервалов волновых чисел, а CARS может быть одним из идеальных алгоритмов для решения таких задач.

The background differences in water content of different samples have a very strong influence on the robustness of near-infrared spectroscopy (NIRS). For this reason, this study simulated typical biological water matrix samples with formulated hemoglobin (Hb), glucose (Glc), and distilled water, and attempted to use four different intelligent spectral variable selection algorithms (Competitive Adaptive Re-weighted Sampling (CARS), Randomized Frog Hopping Algorithm (RF), Genetic Algorithm (GA), and Variable Projection Importance Algorithm (VIP)) to perform the Hb water interference-resistant feature band preferences, while combining partial least squares (PLS) in parallel to build a robust quantitative model of Hb. In addition, the applicability and validity of the model were validated using three prediction sets P1, P2, P3 with different water backgrounds (the formulation method and composition were kept the same, and only the water content increased sequentially). The results showed that RF, GA, and VIP could effectively screen out the characteristic wavelengths of Hb with low sensitivity to water changes and successfully correct the water effect, but due to the large number of characteristic variables they screened out and the existence of a large number of redundant and water interference variables, this ultimately made the model’s robustness less than ideal. The CARS algorithm performed the best, and the RMSEP of the three prediction sets were 0.016, 0.017, and 0.038, which is closer to the RMSECV of the calibration set. Therefore, NIRS combined with the variable selection can reduce the effect of water on model robustness and improve the prediction accuracy of the model by the method of selecting effective wave number intervals, and CARS may be one of the ideal algorithms to solve such problems.

спектроскопия ближнего инфракрасного диапазонагемоглобиналгоритм выбора переменныхводоустойчивая модельnear-infrared spectroscopyhemoglobinvariable selection algorithmwater robust modelThe authors gratefully acknowledge the support of the National Natural Science Foundation of China (No. 42075135) and the President's Fund Project of Hefei Institute of Materials Science, CAS (No. YYJJ2022QN09).ReferencesD. Moorthy, R. Merrill, S. Namaste, L. Iannotti, Adv. Nutr., 11, No. 6, 1631–1645 (2020).D. Moorthy, R. Merrill, S. Namaste, L. Iannotti, Adv. Nutr., 11, No. 6, 1631–1645 (2020).D. Lelli, R. A. Incalzi, C. Pedone, J. Am. Geriat. Soc., 65, No. 11, 2369–2373 (2017).D. Lelli, R. A. Incalzi, C. Pedone, J. Am. Geriat. Soc., 65, No. 11, 2369–2373 (2017).J. T. Kuenstner, K. H. Norris, W. F. Mc Carthy, Appl. Spectrosc., 48, No. 4, 484–488 (1994).J. T. Kuenstner, K. H. Norris, W. F. Mc Carthy, Appl. Spectrosc., 48, No. 4, 484–488 (1994).K. Y. Wang, X. H. Bian, M. Zheng, P. Liu, L. G. Lin, X. Y. Tan, Spectrochim Acta A, 263, art. ID 120138 (2021).K. Y. Wang, X. H. Bian, M. Zheng, P. Liu, L. G. Lin, X. Y. Tan, Spectrochim Acta A, 263, art. ID 120138 (2021).H. Tian, L. N. Zhang, M. Li, Y. Wang, D. G. Sheng, J. Liu, C. M. Wang, Infrared Phys. Techn., 102, Article ID 103003 (2019).H. Tian, L. N. Zhang, M. Li, Y. Wang, D. G. Sheng, J. Liu, C. M. Wang, Infrared Phys. Techn., 102, Article ID 103003 (2019).H. Y. Yang, S. N. Yang, J. L. Kong, A. C. Dong, S. N. Yu, Nat. Protoc., 10, No. 3, 382–396 (2015).H. Y. Yang, S. N. Yang, J. L. Kong, A. C. Dong, S. N. Yu, Nat. Protoc., 10, No. 3, 382–396 (2015).M. L. Fan, W. C. Cai, X. S. Shao, Appl. Spectrosc., 71, No. 3, 472–479 (2017).M. L. Fan, W. C. Cai, X. S. Shao, Appl. Spectrosc., 71, No. 3, 472–479 (2017).K. I. Izutsu, Y. Fujimaki，A. Kusabara, Y. Hiyama, C. Yomota, N. Aogagi, J. Pharm. Sci-Us., 95, No. 4, 781–789 (2006).K. I. Izutsu, Y. Fujimaki，A. Kusabara, Y. Hiyama, C. Yomota, N. Aogagi, J. Pharm. Sci-Us., 95, No. 4, 781–789 (2006).J. A. Hageman, J. A. Westerhuis, A. K. Smilde, J. Near Infrared Spectrosc., 13, 53–62 (2005).J. A. Hageman, J. A. Westerhuis, A. K. Smilde, J. Near Infrared Spectrosc., 13, 53–62 (2005).N. K. Wijewardane, Y. Ge, C. L. S. Morgan, Eur. J. Soil Sci., 67, No. 5, 605–615 (2016).N. K. Wijewardane, Y. Ge, C. L. S. Morgan, Eur. J. Soil Sci., 67, No. 5, 605–615 (2016).Y. P. Du, Y. Z. Liang, Y. Ozaki, Anal. Sci., 20, No. 9, 1339–1345 (2004).Y. P. Du, Y. Z. Liang, Y. Ozaki, Anal. Sci., 20, No. 9, 1339–1345 (2004).S. Chakraborty, B. Li, D. C. Weindorfc, C. L. S. Morgan, Geoderma, 337, 65–75 (2019).S. Chakraborty, B. Li, D. C. Weindorfc, C. L. S. Morgan, Geoderma, 337, 65–75 (2019).H. Swierenga, P. J. de Groot, A. P. de Weijer, M. W. J. Derksen, L. M. C. Buydens, Chemometr. Intell. Lab., 41, No. 2, 237–248 (1998).H. Swierenga, P. J. de Groot, A. P. de Weijer, M. W. J. Derksen, L. M. C. Buydens, Chemometr. Intell. Lab., 41, No. 2, 237–248 (1998).B. Nadler, R. R. Coifman, J. Chemometrics, 19, No. 2, 107–118 (2005).B. Nadler, R. R. Coifman, J. Chemometrics, 19, No. 2, 107–118 (2005).Y. H. Yun, Li, B. C. Deng, D. S. Cao, Tract. Trend. Anal. Chem., 113, 102–115 (2019).Y. H. Yun, Li, B. C. Deng, D. S. Cao, Tract. Trend. Anal. Chem., 113, 102–115 (2019).K. Rahlow, W. Hubner, Appl. Spectrosc., 51, No. 2, 160–170 (1997).K. Rahlow, W. Hubner, Appl. Spectrosc., 51, No. 2, 160–170 (1997).S. S. Bai, H. Wang, Y. J. Chen, H. S. Wang, Spectrosc. Spectral. Anal., 35, No. 4, 894–898 (2015).S. S. Bai, H. Wang, Y. J. Chen, H. S. Wang, Spectrosc. Spectral. Anal., 35, No. 4, 894–898 (2015).B. Yuan, K. Murayama, Y. Q. Wu, R. Tsenkova, X. M. Dou, S. Era, Y. Ozaki, Appl. Spectrosc., 57, No. 10, 1223–1229 (2003).B. Yuan, K. Murayama, Y. Q. Wu, R. Tsenkova, X. M. Dou, S. Era, Y. Ozaki, Appl. Spectrosc., 57, No. 10, 1223–1229 (2003).H. D. Li, Y. Z. Liang, Q. S. Xu, D. S. Cao, Anal. Chim. Acta, 648, 77–84 (2009).H. D. Li, Y. Z. Liang, Q. S. Xu, D. S. Cao, Anal. Chim. Acta, 648, 77–84 (2009).H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).R. M. Jarvis, R. Goodacre, Bioinformatics, 21, No. 7, 860–868 (2005).R. M. Jarvis, R. Goodacre, Bioinformatics, 21, No. 7, 860–868 (2005).I. G. Chong, C. H. Jun, Chemometr. Intell. Lab., 41, No. 2, 103–112 (2005).I. G. Chong, C. H. Jun, Chemometr. Intell. Lab., 41, No. 2, 103–112 (2005).

The authors declare that there are no conflicts of interest present.