基于拉曼光谱的宫颈癌血清生物标志物筛选方法

本发明属于肿瘤生物标志物筛选领域，具体地说，是指一种基于拉曼光谱的宫颈癌血清生物标志物筛选方法。

背景技术：

1、宫颈癌(cc)是一种常见的妇科恶性肿瘤，也是全世界女性癌症死亡的第四大原因。如果在早期发现，生存率会大大提升。生物标志物是可以客观测量以指示健康或病理状态，疾病阶段的生物学特征。肿瘤生物标志物已被证明与肿瘤的发生和发展密切相关，通常在人体体液中过度表达。可靠的宫颈癌生物标志物的发现在疾病管理中起着至关重要的作用，并对患者的预后和生存产生重大影响。

2、传统的肿瘤生物标志物检测方法中，单克隆抗体可用于检测与特定恶性肿瘤相关的血清抗原。例如使用单克隆抗体检测癌胚抗原cea，发现它在在腺癌尤其是结直肠癌中过度表达，这些肿瘤标记物对监测治疗反应和早期复发十分有用。

3、使用光谱技术检测肿瘤标志物，表面增强拉曼光谱sers夹心免疫分析法是一种联合检测肿瘤相关标志物的超灵敏分析技术，不仅可以早期筛查肿瘤，还可用于同时检测肺癌相关的两种蛋白标志物，包括癌胚抗原(cea)和神经元特异性烯醇化酶(nse)等。

4、傅里叶变换红外光谱(ft-ir)结合pca-lda分析是一种研究乳腺癌血清特征的新技术。通过收集乳腺癌和健康人血清标本，分别记录ftir光谱，然后采用主成分分析(pca)和线性判别分析(lda)对光谱数据进行分析，可以在血清ir上的表现上识别对照组和乳腺癌患者之间的变化。

5、除此之外，使用蛋白质组学或代谢组学方法也可以找到相关生物标志物。代谢和代谢物是癌症生物学的关键参与者，通过检测代谢和代谢物相关水平的变化寻找生物标志物。

6、对于宫颈癌的筛查，巴氏涂片和阴道镜检查是现有的筛查方法，组织病理学是诊断的金标准。然而，这些方法经常需要手术来进行确认，容易出现错误，并且是侵入性的。同时，传统的肿瘤生物标志物检测精准度低，耗时耗设备，并且需要特定的靶标记。

7、表面增强拉曼散射(sers)技术是一种强大的指纹光谱技术，不仅可以提供快速的、非侵入性的和超灵敏的检测，还可以提供关于分子结构和组成的丰富振动指纹信息。因此，使用sers技术结合机器学习方法作为宫颈癌早期诊断的工具，可以筛选血清潜在生物标志物，并解决精确性和非侵入性诊断的需求。

技术实现思路

1、本发明旨在利用光谱分析结合机器学习筛选健康和宫颈癌血清中的生物标志物，提出基于拉曼光谱的宫颈癌血清生物标志物筛选方法，通过对生物标志物的检测快速诊断宫颈癌。

2、所述基于拉曼光谱的宫颈癌血清生物标志物筛选方法，具体步骤如下：

3、步骤一，从血清样本库中分别采集若干份健康人和宫颈癌患者的血清样本，采用离心法进行处理，得到血清，并低温存储；

4、步骤二，将低温存储的血清在室温下解冻，然后将1:1等分试样的血清与银胶体混合，并干燥，得到血清样品。

5、步骤三，在每个血清样品中随机选取n个不同的点位，使用显微拉曼光谱仪分别采集n个点位的光谱并平均，得到每个血清样品的平均光谱。

6、其中，n的取值范围为3～5，且为整数。

7、步骤四，对每个血清样品的平均光谱进行预处理操作，分别得到两类样品的光谱数据，并绘制光谱图；

8、所述预处理操作包括：

9、使用迭代自适应加权惩罚最小二乘法(airpls)进行基线校正；

10、使用savitzky-golay平滑法消除噪声；

11、最终使用归一化处理进行数据无量纲化。

12、步骤五，对预处理后的光谱数据使用偏最小二乘判别分析(pls-da)和随机森林(rf)混合筛选生物标志物。

13、步骤501，使用偏最小二乘判别分析(pls-da)对预处理后的两类光谱数据建立判别模型：

14、通过变量重要性(vip)计算不同波数在分类模型中的重要性，对vip值进行单变量分析t检验，将vip值大于1的变量作为重要的变量，p值小于0.05则说明具有统计学意义。应用这一准则筛选重要特征，从筛选出的重要特征中识别拉曼峰。

15、步骤502，同时，对预处理后的两类光谱数据使用随机森林算法建立判别模型，同样评估每个变量在模型中的贡献。

16、对随机森林生成的vip值进行单变量统计t检验，使用阈值过滤法筛选重要特征：计算出vip值的总体均值和标准差，将显著性水平α设置为0.05，得出样本的单侧95％置信区间(ci)，将单侧95％ci设为阈值，筛选出vip值大于阈值的重要特征，并从重要特征中识别出拉曼峰。

17、步骤503，基于两种方法识别出的共同拉曼峰所对应的特定的生物分子，即为识别宫颈癌的重要标志物。

18、步骤504，进一步探究各单一生物分子在预测肿瘤病变方面的潜力，对单一生物分子构建pls-da模型，并生成roc曲线，识别出最高性能的单一生物标记物。

19、本发明的优点在于：

20、1、本发明利用拉曼光谱技术实现宫颈癌的血清生物标志物检测，并且在sers光谱分析的基础上，结合两种机器学习方法，筛选出了宫颈癌的血清潜在生物标志物。进行生物标志物的检查有助于我们监测肿瘤的存在，也可以用于肿瘤患者的病情诊断以及分期等。这种方法不仅提高了诊断性能，而且实现了宫颈癌的快速和非侵入性检测。

21、2、本发明在具体的生物标志物筛选中，使用了两种不同的机器学习方法(pls-da和rf)进行特征选择，并且在进行rf模型的特征选择时，还利用了一种新的阈值确立方法。每种模型的特征筛选都结合了特征峰的生化信息。最后，利用两种模型共同筛选出了几个拉曼峰，并对这几种物质建立单一判别模型，确立了最重要的血清潜在生物标志物。

技术特征：

1.基于拉曼光谱的宫颈癌血清生物标志物筛选方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的基于拉曼光谱的宫颈癌血清生物标志物筛选方法，其特征在于，步骤一中，所述的样品制备操作具体为：

3.根据权利要求1所述的基于拉曼光谱的宫颈癌血清生物标志物筛选方法，其特征在于，步骤二中所述n的取值为3～5，且为整数。

4.根据权利要求1所述的基于拉曼光谱的宫颈癌血清生物标志物筛选方法，其特征在于，步骤三中，所述预处理操作具体为：

5.根据权利要求1所述的基于拉曼光谱的宫颈癌血清生物标志物筛选方法，其特征在于，步骤四中所述的共同拉曼峰所对应的特定的生物分子包括dna、酪氨酸、腺嘌呤、缬氨酸、d-甘露糖和酰胺i。

6.根据权利要求5所述的基于拉曼光谱的宫颈癌血清生物标志物筛选方法，其特征在于，步骤四中所述最高性能的单一生物标记物为d-甘露糖。

技术总结
本发明公开了一种基于拉曼光谱的宫颈癌血清生物标志物筛选方法，属于肿瘤生物标志物筛选领域。首先选取若干份健康人和宫颈癌患者的血清样本，进行处理得到对应的血清样品。然后在每个血清样品中随机选取不同的点位，使用显微拉曼光谱仪分别采集各点位的光谱并平均，得到每个血清样品的平均光谱，处理后得到两类样品的光谱数据。最后使用偏最小二乘判别分析和随机森林对两类光谱数据混合筛选生物标志物。本发明在SERS光谱分析的基础上，结合两种机器学习方法，筛选出了宫颈癌的血清潜在生物标志物，不仅提高了诊断性能，而且实现了宫颈癌的快速和非侵入性检测。

技术研发人员：吴国华,尹龙飞,樊奇文
受保护的技术使用者：北京邮电大学
技术研发日：
技术公布日：2024/1/22