Выбор спектральных переменных в спектрах ближнего ИК-диапазона для моделирования содержания гемоглобина в биологических водных растворах

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.

1. D. Moorthy, R. Merrill, S. Namaste, L. Iannotti, Adv. Nutr., 11, No. 6, 1631–1645 (2020).

2. D. Lelli, R. A. Incalzi, C. Pedone, J. Am. Geriat. Soc., 65, No. 11, 2369–2373 (2017).

3. J. T. Kuenstner, K. H. Norris, W. F. Mc Carthy, Appl. Spectrosc., 48, No. 4, 484–488 (1994).

4. K. Y. Wang, X. H. Bian, M. Zheng, P. Liu, L. G. Lin, X. Y. Tan, Spectrochim Acta A, 263, art. ID 120138 (2021).

5. 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).

6. H. Y. Yang, S. N. Yang, J. L. Kong, A. C. Dong, S. N. Yu, Nat. Protoc., 10, No. 3, 382–396 (2015).

7. M. L. Fan, W. C. Cai, X. S. Shao, Appl. Spectrosc., 71, No. 3, 472–479 (2017).

8. K. I. Izutsu, Y. Fujimaki，A. Kusabara, Y. Hiyama, C. Yomota, N. Aogagi, J. Pharm. Sci-Us., 95, No. 4, 781–789 (2006).

9. J. A. Hageman, J. A. Westerhuis, A. K. Smilde, J. Near Infrared Spectrosc., 13, 53–62 (2005).

10. N. K. Wijewardane, Y. Ge, C. L. S. Morgan, Eur. J. Soil Sci., 67, No. 5, 605–615 (2016).

11. Y. P. Du, Y. Z. Liang, Y. Ozaki, Anal. Sci., 20, No. 9, 1339–1345 (2004).

12. S. Chakraborty, B. Li, D. C. Weindorfc, C. L. S. Morgan, Geoderma, 337, 65–75 (2019).

13. 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).

14. B. Nadler, R. R. Coifman, J. Chemometrics, 19, No. 2, 107–118 (2005).

15. Y. H. Yun, Li, B. C. Deng, D. S. Cao, Tract. Trend. Anal. Chem., 113, 102–115 (2019).

16. K. Rahlow, W. Hubner, Appl. Spectrosc., 51, No. 2, 160–170 (1997).

17. S. S. Bai, H. Wang, Y. J. Chen, H. S. Wang, Spectrosc. Spectral. Anal., 35, No. 4, 894–898 (2015).

18. B. Yuan, K. Murayama, Y. Q. Wu, R. Tsenkova, X. M. Dou, S. Era, Y. Ozaki, Appl. Spectrosc., 57, No. 10, 1223–1229 (2003).

19. H. D. Li, Y. Z. Liang, Q. S. Xu, D. S. Cao, Anal. Chim. Acta, 648, 77–84 (2009).

20. H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).

21. R. M. Jarvis, R. Goodacre, Bioinformatics, 21, No. 7, 860–868 (2005).

22. I. G. Chong, C. H. Jun, Chemometr. Intell. Lab., 41, No. 2, 103–112 (2005).