CN103901014A - 多元线性回归拟合获得真实的细胞拉曼光谱的方法 - Google Patents

多元线性回归拟合获得真实的细胞拉曼光谱的方法 Download PDF

Info

Publication number
CN103901014A
CN103901014A CN201410085809.9A CN201410085809A CN103901014A CN 103901014 A CN103901014 A CN 103901014A CN 201410085809 A CN201410085809 A CN 201410085809A CN 103901014 A CN103901014 A CN 103901014A
Authority
CN
China
Prior art keywords
raman spectrum
cell
variable
background
fluorescence background
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410085809.9A
Other languages
English (en)
Other versions
CN103901014B (zh
Inventor
钟丽云
苏欣
方少寅
吕晓旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN201410085809.9A priority Critical patent/CN103901014B/zh
Publication of CN103901014A publication Critical patent/CN103901014A/zh
Application granted granted Critical
Publication of CN103901014B publication Critical patent/CN103901014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了多元线性回归拟合获得真实的细胞拉曼光谱的方法，包括获取细胞的原始拉曼光谱；获取平滑后的平滑拉曼光谱；获取细胞中各个基元变量的基元变量拉曼光谱；初步拟合计算细胞的近似荧光背景拉曼光谱；通过多元线性拟合获得每个基元和背景变量对应的拟合系数；细胞的荧光背景拉曼光谱最终由背景变量拉曼光谱与其对应的拟合系数的乘积之和确定；用平滑拉曼光谱减去得到的荧光背景拉曼光谱，得到真实的细胞拉曼光谱。本发明用于消除细胞拉曼光谱的背景荧光，能够比其他方法更加精确地拟合出细胞拉曼光谱的荧光背景，实现细胞拉曼光谱荧光背景的快速消除，从而获得真实的细胞拉曼光谱。

Description

多元线性回归拟合获得真实的细胞拉曼光谱的方法
技术领域
本发明涉及细胞光学测量领域，具体是指多元线性回归拟合获得真实的细胞拉曼光谱的方法。
背景技术
拉曼光谱能够定量分析细胞的组成和组成结构，提供了大量关于组成细胞的蛋白质、核酸、脂质、糖原等大量生物大分子的信息，而且可以在不损伤细胞的条件下实时动态监控细胞分子结构变化。然后，在进行细胞拉曼光谱测量时，背景噪声特别是荧光背景噪声非常大。如何有效消除荧光背声，一直是拉曼光谱应用研究中需要解决的难点问题之一。目前消除细胞拉曼荧光背景的方法包括：最小二乘法算法、多项式拟合算法和非对称的最小二乘法算法。上述方法利用细胞拉曼光谱的强度分布轮廓，结合光谱特征进行其荧光背景拟合，经过验证，利用上述方法得到的细胞拉曼光谱差别比较大，说明目前的荧光背景估算方法存在较大误差。
发明内容
本发明的目的是提供多元线性回归拟合获得真实的细胞拉曼光谱的方法，该方法操作简单，并且能够得到真实的细胞拉曼光谱。
本发明的上述目的通过如下技术方案来实现的：多元线性回归拟合获得真实的细胞拉曼光谱的方法，包括如下步骤：
(1)获取细胞的原始拉曼光谱；
(2)对原始拉曼光谱进行消除高频窄带噪声的平滑处理，得到平滑后的平滑拉曼光谱；
(3)获取细胞中各个基元变量的基元变量拉曼光谱；
(4)利用荧光背景计算方法进行估算，得到细胞的近似荧光背景拉曼光谱，作为背景变量；
(5)利用线性叠加的方法，对基元变量拉曼光谱和背景变量拉曼光谱进行线性叠加拟合平滑拉曼光谱，获得每个基元变量以及背景变量对应的拟合系数；
(6)对所有背景变量拉曼光谱进行加权叠加，得到细胞的荧光背景拉曼光谱，其中，权重系数为各个背景变量拉曼光谱对应的拟合系数；
(7)用平滑拉曼光谱减去步骤(6)得到的荧光背景拉曼光谱，得到真实的细胞拉曼光谱。
本发明用于消除细胞拉曼光谱的背景荧光，能够比其他方法更加精确地拟合出细胞拉曼光谱的荧光背景，实现细胞拉曼光谱荧光背景的快速消除，从而获得真实的细胞拉曼光谱。
本发明中，所述细胞的基元变量包括肌动蛋白、白蛋白、三油酸甘油酯、磷脂酰胆碱、DNA、RNA和糖原。
本发明中，所述步骤(2)中对原始拉曼光谱进行消除高频窄带噪声的平滑处理所使用的方法是Savitzky-golay平滑处理法，Savitzky-golay平滑就是卷积平滑。
本发明中，所述步骤(4)中荧光背景计算方法采用最小二乘算法和多项式拟合算法。
本发明综合了组成细胞基本生化成分的拉曼光谱和现有细胞拉曼光谱荧光背景拟合算法，对现有荧光背景算法估算出的近似荧光背景进行评估的基础上，提出采用多元线性回归拟合的算法，拟合得到更加准确的细胞拉曼光谱荧光背景，而且本发明能够再做一些扩展，对拉曼光谱的应用和应用研究有一定的指导作用。
本发明所述的方法是一种包容性的方法，它提供了一个平台，让不同的荧光拉曼背景的计算方法都能参与其中，最后通过多元线性叠加方法对这些荧光背景的获取方法做一个拟合，也就是说，所有荧光背景计算方法所计算的荧光背景再加权叠加得到更加精确合理的真实细胞拉曼光谱的荧光背景。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图1为本发明的流程框图；
附图2为细胞的原始拉曼光谱；
附图3为经过Savitzky-golay平滑后的平滑拉曼光谱；
附图4为细胞七种基元变量的基元变量拉曼光谱；
附图5为分别用自适应最小迭代二乘算法、五项式拟合算法和四项式拟合算法估算出3种近似荧光背景拉曼光谱；
附图6为多元线性回归方法拟合出的10个变量，包括7个基元变量和3个荧光背景变量；
附图7为利用图6中的10个变量对图3进行多元线性回归拟合结果；
附图8为扣除荧光背景拉曼光谱后的真实细胞拉曼光谱。
具体实施方式
本发明多元线性回归拟合获得真实的细胞拉曼光谱的方法，包括如下步骤：
1、如图1所示，包括原始细胞拉曼光谱并做平滑处理；测量7种组成细胞的基本生化成分的拉曼光谱，并作为多元线性回归拟合的基元变量，该7种组成细胞的基本生化成分就是细胞的7种基元变量，分别是肌动蛋白、白蛋白、三油酰甘油酯、卵磷脂、DNA、RNA和糖原；获得细胞拉曼光谱的近似荧光背景，并作为多元线性回归拟合的背景变量；利用多元线性回归拟合算法对近似荧光背景进行评估和再拟合计算；根据多元线性回归拟合得到各个背景变量的拟合系数，确定最终的荧光背景；
2、未经任何处理的原始细胞拉曼光谱如图2所示；
3、对原始细胞拉曼光谱进行Savitzky-golay平滑处理，Savitzky-golay平滑就是卷积平滑，消除高频窄带噪声，得到平滑后的平滑拉曼光谱，平滑拉曼光谱英文减缩为SS，如图3所示；
4、图4为组成细胞7种基元变量的基元变量拉曼光谱，该细胞的7种基元变量是指细胞的7种基本生化成分，它们已经被证明可以有效地表征组成细胞的基本生化成分，其中a代表肌动蛋白、b代表白蛋白、c代表三油酰甘油酯、d代表卵磷脂、e代表DNA、f代表RNA、g代表糖原；
5、利用现有拉曼光谱荧光背景算法，估算出SS的近似荧光背景并作为多元线性回归拟合算法中的背景变量。图5所示分别表示用自适应最小迭代二乘算法、五项式拟合算法和四项式拟合算法估算出3种荧光背景；
6、采用多元线性回归拟合方法，即用7个基元变量和3种荧光背景变量进行线性叠加拟合SS。图6所示为拟合得到的10个变量，图7所示为拟合得到的细胞拉曼光谱。可以看出，拟合拉曼光谱中的一些谱峰与原始拉曼光谱没有完全重合，其主要原因是7个基元变量并不能完全表征组成细胞的所有生化成分，但是这完全不会影响对最后荧光背景的计算结果。
7、表1所示为用多元线性拟合算法得到各个变量的拟合系数，而荧光背景的确定就用各个背景变量与其对应的拟合系数的乘积之和来确定；
表1：用多元线性回归方法拟合出的各变量拟合系数和荧光背景
Figure BDA0000474734880000041
8、图8所示真实细胞拉曼光谱，用平滑拉曼光谱减去上述步骤得到的荧光背景拉曼光谱，得到真实的细胞拉曼光谱。

Claims (4)

1.多元线性回归拟合获得真实的细胞拉曼光谱的方法，包括如下步骤：
(1)获取细胞的原始拉曼光谱；
(2)对原始拉曼光谱进行消除高频窄带噪声的平滑处理，得到平滑后的平滑拉曼光谱；
(3)获取细胞中各个基元变量的基元变量拉曼光谱；
(4)利用荧光背景计算方法进行估算，得到细胞的近似荧光背景拉曼光谱，作为背景变量；
(5)利用线性叠加的方法，对基元变量拉曼光谱和近似荧光背景拉曼光谱进行线性叠加拟合平滑拉曼光谱，获得每个基元变量以及背景变量对应的拟合系数；
(6)对所有背景变量拉曼光谱进行加权叠加，得到细胞的荧光背景拉曼光谱，其中，权重系数为各个背景变量拉曼光谱对应的拟合系数；
(7)用平滑拉曼光谱减去步骤(6)得到的荧光背景拉曼光谱，得到真实的细胞拉曼光谱。
2.根据权利要求1所述的多元线性回归拟合获得真实的细胞拉曼光谱的方法，其特征在于：所述细胞的基元变量包括肌动蛋白、白蛋白、三油酸甘油酯、磷脂酰胆碱、DNA、RNA和糖原。
3.根据权利要求1所述的多元线性回归拟合获得真实的细胞拉曼光谱的方法，其特征在于：所述步骤(2)中对原始拉曼光谱进行消除高频窄带噪声的平滑处理所使用的方法是卷积平滑处理法。
4.根据权利要求1所述的多元线性回归拟合获得真实的细胞拉曼光谱的方法，其特征在于：所述步骤(4)中荧光背景计算方法采用最小二乘算法和多项式拟合算法。
CN201410085809.9A 2014-03-10 2014-03-10 多元线性回归拟合获得真实的细胞拉曼光谱的方法 Active CN103901014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410085809.9A CN103901014B (zh) 2014-03-10 2014-03-10 多元线性回归拟合获得真实的细胞拉曼光谱的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410085809.9A CN103901014B (zh) 2014-03-10 2014-03-10 多元线性回归拟合获得真实的细胞拉曼光谱的方法

Publications (2)

Publication Number Publication Date
CN103901014A true CN103901014A (zh) 2014-07-02
CN103901014B CN103901014B (zh) 2016-04-20

Family

ID=50992475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410085809.9A Active CN103901014B (zh) 2014-03-10 2014-03-10 多元线性回归拟合获得真实的细胞拉曼光谱的方法

Country Status (1)

Country Link
CN (1) CN103901014B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104132930A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓酸液体中中铬黄浓度的检测方法
CN104132924A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓碱液体中中铬黄浓度的检测方法
CN104132927A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓碱液体中柠檬铬黄浓度的检测方法
CN104132931A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓酸液体中柠檬铬黄浓度的检测方法
CN104132932A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓酸液体中桔铬黄浓度的检测方法
CN105184223A (zh) * 2015-08-10 2015-12-23 厦门大学 一种拉曼成像信号提取与后处理方法
CN105606589A (zh) * 2016-02-18 2016-05-25 广西科技大学 通过峭度判断求取荧光褪色度量值的拉曼光谱消荧光方法
CN105699356A (zh) * 2016-02-19 2016-06-22 广西科技大学 通过信息熵判断拉曼光谱的荧光消除程度的方法
CN107132208A (zh) * 2017-04-10 2017-09-05 苏州贝康医疗器械有限公司 一种基于拉曼光谱测量的细胞培养液质量检测方法
CN107966428A (zh) * 2016-10-19 2018-04-27 西派特（北京）科技有限公司 一种提高微型拉曼光谱仪分辨率的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050285023A1 (en) * 2004-06-23 2005-12-29 Lambda Solutions, Inc. Automatic background removal for input data
CN101692045A (zh) * 2009-10-28 2010-04-07 广西工学院 基于多波长激发的拉曼光谱的荧光消除方法
CN102998296A (zh) * 2012-11-28 2013-03-27 重庆绿色智能技术研究院 一种去除背景噪声影响的拉曼光谱预处理方法
CN103217409A (zh) * 2013-03-22 2013-07-24 重庆绿色智能技术研究院 一种拉曼光谱预处理方法
US20140046630A1 (en) * 2011-05-05 2014-02-13 Renishaw Plc Spectroscopic apparatus and methods

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050285023A1 (en) * 2004-06-23 2005-12-29 Lambda Solutions, Inc. Automatic background removal for input data
CN101002460A (zh) * 2004-06-23 2007-07-18 兰达解决方案公司 输入数据的自动背景去除
CN101692045A (zh) * 2009-10-28 2010-04-07 广西工学院 基于多波长激发的拉曼光谱的荧光消除方法
US20140046630A1 (en) * 2011-05-05 2014-02-13 Renishaw Plc Spectroscopic apparatus and methods
CN102998296A (zh) * 2012-11-28 2013-03-27 重庆绿色智能技术研究院 一种去除背景噪声影响的拉曼光谱预处理方法
CN103217409A (zh) * 2013-03-22 2013-07-24 重庆绿色智能技术研究院 一种拉曼光谱预处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANHUA ZHAO等: "Automated Autofluorescence Background Subtraction Algorithm for Biomedical Raman spectroscopy", 《APPLIED SPECTROSCOPY》 *
康立丽等: "单个活态细胞显微激光拉曼散射光谱处理方法研究", 《光谱学与光谱分析》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104132930B (zh) * 2014-07-28 2016-09-07 浙江大学 一种重金属浓酸液体中中铬黄浓度的检测方法
CN104132927A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓碱液体中柠檬铬黄浓度的检测方法
CN104132930A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓酸液体中中铬黄浓度的检测方法
CN104132931A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓酸液体中柠檬铬黄浓度的检测方法
CN104132932A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓酸液体中桔铬黄浓度的检测方法
CN104132924A (zh) * 2014-07-28 2014-11-05 浙江大学 一种重金属浓碱液体中中铬黄浓度的检测方法
CN105184223A (zh) * 2015-08-10 2015-12-23 厦门大学 一种拉曼成像信号提取与后处理方法
CN105184223B (zh) * 2015-08-10 2018-08-24 厦门大学 一种拉曼成像信号提取与后处理方法
CN105606589A (zh) * 2016-02-18 2016-05-25 广西科技大学 通过峭度判断求取荧光褪色度量值的拉曼光谱消荧光方法
CN105699356A (zh) * 2016-02-19 2016-06-22 广西科技大学 通过信息熵判断拉曼光谱的荧光消除程度的方法
CN105699356B (zh) * 2016-02-19 2018-10-19 广西科技大学 通过信息熵判断拉曼光谱的荧光消除程度的方法
CN107966428A (zh) * 2016-10-19 2018-04-27 西派特（北京）科技有限公司 一种提高微型拉曼光谱仪分辨率的方法
CN107966428B (zh) * 2016-10-19 2020-01-03 西派特（北京）科技有限公司 一种提高微型拉曼光谱仪分辨率的方法
CN107132208A (zh) * 2017-04-10 2017-09-05 苏州贝康医疗器械有限公司 一种基于拉曼光谱测量的细胞培养液质量检测方法
WO2018188395A1 (zh) * 2017-04-10 2018-10-18 苏州贝康医疗器械有限公司 一种基于拉曼光谱测量的细胞培养液质量检测方法
CN107132208B (zh) * 2017-04-10 2018-11-30 苏州贝康医疗器械有限公司 一种基于拉曼光谱测量的细胞培养液质量检测方法
US11561182B2 (en) 2017-04-10 2023-01-24 Suzhou Basecare Medical Device Co., Ltd. Method for detecting quality of cell culture fluid based on Raman spectral measurement

Also Published As

Publication number Publication date
CN103901014B (zh) 2016-04-20

Similar Documents

Publication Publication Date Title
CN103901014B (zh) 多元线性回归拟合获得真实的细胞拉曼光谱的方法
CN107440684B (zh) 用于预测分析物的浓度的方法和设备
US20190339205A1 (en) Method for removing background from spectrogram, method of identifying substances through raman spectrogram, and electronic apparatus
Xia et al. A new method for state of charge estimation of lithium-ion battery based on strong tracking cubature kalman filter
CN103226093A (zh) 校准曲线制成方法、校准曲线制成装置以及目标成分校准装置
CN107632010B (zh) 一种结合激光诱导击穿光谱对钢铁样品的定量方法
JP7483367B2 (ja) 情報処理装置、情報処理装置の制御方法、及びプログラム
WO2020105566A1 (ja) 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法
CN106779217A (zh) 空气质量检测方法和空气质量检测系统
CN104730042A (zh) 一种遗传算法结合激光诱导击穿光谱提高自由定标分析精度的方法
Walach et al. Robust biomarker identification in a two-class problem based on pairwise log-ratios
JP2006250938A5 (zh)
CN105548068B (zh) 动态演化模型校正方法及系统
Zhang et al. Binary regression analysis with pooled exposure measurements: a regression calibration approach
Meng et al. Iodine value determination of edible oils using ATR‐FTIR and chemometric methods
CN110887800A (zh) 一种用于光谱法水质在线监测系统的数据校准方法
CN111896497A (zh) 一种基于预测值的光谱数据修正方法
CN104865228A (zh) 基于融合熵优化求解的定量激光诱导击穿光谱检测方法
Xu et al. A semiparametric Bayesian approach to joint mean and variance models
Chilingarian et al. NBursts+ phot: parametric recovery of galaxy star formation histories from the simultaneous fitting of spectra and broad-band spectral energy distributions
CN110632024B (zh) 一种基于红外光谱的定量分析方法、装置、设备以及存储介质
CN110455902B (zh) 一种环境检测多标样快速校准的方法
CN110501294B (zh) 一种基于信息融合的多元校正方法
CN112414966B (zh) 基于仿射变化的近红外光谱多目标标定迁移方法
Kiani et al. Simulation of interval censored data in medical and biological studies

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant