一种样品中叶酸含量检测方法与流程

1.本技术涉及叶酸检测技术领域，尤其涉及一种样品中叶酸含量检测方法。


背景技术：

2.叶酸是一种重要的b族维生素，其化学名称为蝶酰谷氨酸，人体内无法自行合成叶酸，只能依靠摄入食物来获取。蔬菜是人类主要的膳食，因此蔬菜是人类获得叶酸的主要来源。但是过多或过少的摄取叶酸对人体都会造成伤害，叶酸摄入过少会导致新生儿神经管畸形、出生缺陷、智力退化等疾病，并增加患心血管疾病和癌症的风险。叶酸摄入过量会导致缺锌、恶心、厌食等一些肠胃综合症状。因此叶酸的合理摄入就显得尤为重要。快速准确地检测叶酸含量是指导叶酸摄入并保证其安全性和有效性的重要技术手段，同时也是诊断各种疾病的有效指标，对临床诊断具有重要意义。
3.由于各种样品中成分复杂，叶酸的测定也比较复杂。叶酸含量的测定方法很多，例如，微生物法、荧光法和放射免疫法等。但是不管哪种测定方法都需要人为判读结果，主观性强，测定结果不够精确。
4.因此，本技术提供一种样品中叶酸含量检测方法，利用人工智能深度学习来检测叶酸含量，辅助工作人员快速、高效的进行叶酸含量测定。


技术实现要素：

5.本技术实施例的目的在于提供一种样品中叶酸含量检测方法，以解决叶酸含量检测效率低、精度不高的问题。具体技术方案如下：
6.第一方面，提供了一种样品中叶酸含量检测方法，所述方法包括：
7.将待测样品制成样品叶酸提取液；
8.将所述样品叶酸提取液加入到预先配制的叶酸荧光检测体系中；
9.利用透射电镜获取所述叶酸荧光检测体系中加入样品叶酸提取液后的荧光强度表征图集；
10.对所述荧光强度表征图集进行预处理得到预处理荧光强度表征图集；
11.将所述预处理荧光强度表征图集加入预训练的叶酸浓度检测模型中进行预测得到浓度概率预测分布图；
12.根据所述浓度概率预测分布图确定待测样品的最终浓度含量值。
13.可选地，所述将待测样品制成样品溶液包括：
14.将待测样品研磨成粉状物；
15.将所述粉状物加入高纯化水中制成样品溶液；
16.在所述样品溶液中加入0.1m磷酸缓冲液煮沸提取样品溶液中的叶酸，冷却离心后，得到上清液，所述上清液为样品叶酸提取液。
17.可选地，所述方法还包括：
18.在所述样品叶酸提取液中添加叶酸轭合酶。
19.可选地，所述叶酸荧光检测体系配制过程包括：
20.制备金纳米簇分散体系；
21.在所述金纳米簇分散体系中加入磷酸缓冲水溶液得到叶酸荧光检测体系。
22.可选地，所述制备金纳米簇分散体系包括：
23.称取定量的haucl4溶解于高纯水中得到金属前驱体溶液；
24.在多份所述金属前驱体溶液中分别加入不同量的还原剂和相同量的配体得到具有荧光发射的金纳米簇分散体系。
25.可选地，所述配体采用谷胱甘肽，所述还原剂采用nabh4。
26.可选地，所述对所述荧光强度表征图集进行预处理得到预处理荧光强度表征图集包括：
27.对所述荧光强度表征图集中的每个表征图进行去噪、归一化处理得到清晰的预处理荧光强度表征图集。
28.可选地，所述叶酸浓度检测模型的训练过程包括：
29.将不同已知浓度的叶酸提取液加入到叶酸荧光检测体系中，通过投射电镜得到荧光强度表征训练图集；
30.对所述荧光强度表征训练图集进行预处理后输入到叶酸浓度检测训练模型中进行训练，调整叶酸浓度检测训练模型的参数至最优化，得到叶酸浓度检测模型。
31.可选地，所述根据所述浓度概率预测分布图确定待测样品的最终浓度含量值包括：
32.将所述浓度概率预测分布图中概率最大的浓度值作为待测样品的最终浓度含量值。
33.本技术实施例有益效果：
34.本技术实施例提供了一种样品中叶酸含量检测方法，本技术通过将待测样品制成样品叶酸提取液；将样品叶酸提取液加入到预先配制的叶酸荧光检测体系中；利用透射电镜获取叶酸荧光检测体系中加入样品叶酸提取液后的荧光强度表征图集；对荧光强度表征图集进行预处理得到预处理荧光强度表征图集；将预处理荧光强度表征图集加入预训练的叶酸浓度检测模型中进行预测得到浓度概率预测分布图；根据浓度概率预测分布图确定待测样品的最终浓度含量值。本技术通过构建叶酸浓度检测模型提高了检测精度，减少了误差，降低了判读结果的主观性，并且缩短了实验周期，降低了实验成本。
35.当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
36.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
37.图1为本技术实施例提供的一种样品中叶酸含量检测方法的流程图；
38.图2为本技术实施例提供的一种荧光强度表征示意图；
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.本技术实施例提供了一种样品中叶酸含量检测方法，下面将结合具体实施方式，对本技术实施例提供的一种样品中叶酸含量检测方法进行详细的说明，如图1所示，具体步骤如下：
41.步骤s101：将待测样品制成样品叶酸提取液。
42.步骤s102：将所述样品叶酸提取液加入到预先配制的叶酸荧光检测体系中。
43.步骤s103：利用透射电镜获取所述叶酸荧光检测体系中加入样品叶酸提取液后的荧光强度表征图集。荧光强度表征图如图2所示。
44.步骤s104：对所述荧光强度表征图集进行预处理得到预处理荧光强度表征图集。
45.步骤s105：将所述预处理荧光强度表征图集加入预训练的叶酸浓度检测模型中进行预测得到浓度概率预测分布图。
46.步骤s106：根据所述浓度概率预测分布图确定待测样品的最终浓度含量值。
47.在一个具体实施例中，所述将待测样品制成样品溶液包括：
48.将0.1g待测样品研磨成粉状物；待测样品可以是各类含有叶酸的蔬菜。
49.将所述0.1g粉状物加入高纯化水中制成样品溶液,样品溶液定容5.0ml；
50.在所述样品溶液中加入0.1m磷酸缓冲液煮沸提取样品溶液中的叶酸，冷却离心后，得到上清液，所述上清液为样品叶酸提取液。
51.在该步骤中，每升0.1m磷酸缓冲液中含有10g的l(+)-抗坏血酸和10ml的二巯基丙醇。
52.可选地，所述方法还包括：
53.在所述样品叶酸提取液中添加叶酸轭合酶。
54.在一个示例中，添加两种叶酸轭合酶，分别是老鼠血清轭合酶和鸡胰腺轭合酶，将5ml样品叶酸提取液加入到一个离心管中，向离心管中加入175ul的老鼠血清轭合酶和鸡胰腺轭合酶，吹入氮气15秒后，放入35℃～39℃水浴摇床中孵育2小时，然后100℃下煮沸5分钟，从而终止老鼠血清轭合酶和鸡胰腺轭合酶的活性，最后离心20分钟。添加叶酸轭合酶的作用是为样品叶酸提取液去轭，得到纯化的样品叶酸提取液。
55.在一个具体实施例中，所述叶酸荧光检测体系配制过程包括：
56.称取100mg的haucl4溶解于5ml的高纯水中得到金属前驱体溶液；
57.在多份所述金属前驱体溶液中分别加入0.1ml-1ml的nabh4还原剂室温搅拌10分钟，然后再注射1.3ml的谷胱甘肽配体，得到不同浓度的具有荧光发射的金纳米簇，形成金纳米簇分散体系。
58.在所述金纳米簇分散体系中加入0.01mol/l，ph＝7的磷酸缓冲水溶液得到叶酸荧光检测体系。
59.可选地，所述对所述荧光强度表征图集进行预处理得到预处理荧光强度表征图集包括：
60.对所述荧光强度表征图集中的每个表征图进行去噪、归一化处理得到清晰的预处理荧光强度表征图集。
61.可选地，所述叶酸浓度检测模型的训练过程包括：
62.将不同已知浓度的叶酸提取液加入到叶酸荧光检测体系中，通过投射电镜得到荧光强度表征训练图集；
63.在本技术实施例中，荧光强度与叶酸浓度呈反比，叶酸浓度越高，荧光强度越小。在未加入叶酸提取液时，荧光强度最大，当加入叶酸提取液后，叶酸作为猝灭剂使荧光强度下降，因此通过检测荧光强度表征图中的荧光点数量就可以判断样品中的叶酸含量。
64.对所述荧光强度表征训练图集进行预处理后输入到叶酸浓度检测训练模型中进行训练，调整叶酸浓度检测训练模型的参数至最优化，得到叶酸浓度检测模型。
65.叶酸浓度检测训练模型会检测捕捉荧光强度表征图中的荧光点数量，从而计算荧光强度，最后输出一个叶酸浓度预测值，将该浓度预测值与真实浓度值进行比较判别，根据两者之间的差距来调整叶酸浓度检测训练模型的参数，直至两者的差异不变或最小化，即得到叶酸浓度检测模型。
66.可选地，所述根据所述浓度概率预测分布图确定待测样品的最终浓度含量值包括：
67.将所述浓度概率预测分布图中概率最大的浓度值作为待测样品的最终浓度含量值。
68.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
69.以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。