CN115308158B - 一种基于消光特性定量判定生物材料活性的方法及装置 - Google Patents

一种基于消光特性定量判定生物材料活性的方法及装置 Download PDF

Info

Publication number
CN115308158B
CN115308158B CN202211244183.2A CN202211244183A CN115308158B CN 115308158 B CN115308158 B CN 115308158B CN 202211244183 A CN202211244183 A CN 202211244183A CN 115308158 B CN115308158 B CN 115308158B
Authority
CN
China
Prior art keywords
biological material
activity
extinction
efficiency factor
extinction efficiency
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.)
Active
Application number
CN202211244183.2A
Other languages
English (en)
Other versions
CN115308158A (zh
Inventor
顾有林
丁婉莹
胡以华
曹浩
孟凡昊
何海浩
陈国龙
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211244183.2A priority Critical patent/CN115308158B/zh
Publication of CN115308158A publication Critical patent/CN115308158A/zh
Application granted granted Critical
Publication of CN115308158B publication Critical patent/CN115308158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Biochemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Analytical Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种基于消光特性定量判定生物材料活性的方法及装置，属于生物材料活性检测技术领域。该判定方法包括：获取待检测生物材料的消光效率因子；其中，消光效率因子通过烟幕箱实验获得；将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值；其中，所述生物材料活性定量分析模型被构建为表示生物材料消光效率因子与生物材料活性值之间的对应关系。本申请能够以低成本、无损的方式，快速实现生物材料活性值的准确定量判定。

Description

一种基于消光特性定量判定生物材料活性的方法及装置
技术领域
本申请属于生物材料活性检测技术领域，尤其是涉及一种基于消光特性定量判定生物材料活性的方法及装置。
背景技术
随着人们环保意识和食品安全意识的增强，具有光谱杀菌及食品发酵用的微生物材料活性受到越来越多的关注。生防真菌如白僵菌、绿僵菌广泛应用于林业害虫防治，发挥了很大的作用；黑曲霉等菌类广泛分布于粮食、植物性产品和土壤中，是重要的发酵工业菌种，可用于生产酶制剂、有机酸、糖化饲料等。微生物在人类的生产生活以及大自然界中都起着举足轻重的作用，因此微生物生产、贮存、使用过程中的活性判定也至关重要。
已知地，可以通过红外光谱对真菌类生物活性进行定性判别。但该方法仅能够区分真菌类粒子的死活，对于含有大量粒子的生物材料来说，活性的生物占比多少未知。
此外，可以通过化学方法对真菌类生物活性进行定量判定，例如通常采用平板计数法或者PCR方法或者qPCR方法。但此类方法都是损伤、入侵式的方式，且引入剂等耗材成本较高。
发明内容
本申请旨在提供一种基于消光特性定量判定生物材料活性的方法及装置，以实现以低成本、无损的方式，快速实现生物材料活性的准确定量分析。
根据本申请的第1方面，公开了一种生物材料活性定量判定方法，包括：
获取待检测生物材料的消光效率因子；其中，所述消光效率因子通过烟幕箱实验获得；
将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值；
其中，所述生物材料活性定量分析模型被构建为表示生物材料消光效率因子与生物材料活性值之间的对应关系，其构建方法包括：
制备具有不同活性值的生物材料样本压片；
测量所述生物材料样本压片的红外光谱；
对所述红外光谱进行K-K变换以计算所述生物材料的复折射率；
根据所述复折射率计算所述生物材料的消光效率因子；
基于生物材料活性值和消光效率因子构建全波长消光光谱数据集，并对所述全波长消光光谱数据集进行特征波长选择，得到特征波长消光光谱数据集；
基于所述特征波长消光光谱数据集，使用PLS回归方法构建生物材料消光效率因子与生物材料活性值之间的对应关系，以得到所述生物材料活性定量分析模型。
根据本申请的第2方面，公开了一种生物材料活性的定量判定装置，包括：
输入模块，被配置为获取待检测生物材料的消光效率因子；其中，所述消光效率因子通过烟幕箱实验获得；
判定模块，被配置为将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值；
其中，所述生物材料活性定量分析模型被构建为表示生物材料消光效率因子与生物材料活性值之间的对应关系，其构建方法包括：
制备具有不同活性值的生物材料样本压片；
测量所述生物材料样本压片的红外光谱；
对所述红外光谱进行K-K变换以计算所述生物材料的复折射率；
根据所述复折射率计算所述生物材料的消光效率因子；
基于生物材料活性值和消光效率因子构建全波长消光光谱数据集，并对所述全波长消光光谱数据集进行特征波长选择，得到特征波长消光光谱数据集；
基于所述特征波长消光光谱数据集，使用PLS回归方法构建生物材料消光效率因子与生物材料活性值之间的对应关系，以得到所述生物材料活性定量分析模型。
在一些实施例中，使用LAR算法对所述全波长消光光谱数据集进行特征波长选择。根据本申请的第3方面，公开了一种电子设备，包括：
至少一个处理器；以及与所述处理器通信连接的存储器，其存储有可被所述处理器执行的指令；当所述指令被所述处理器执行时，实现根据上述方案中任一项所述的方法。
根据本申请的第4方面，公开了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现根据上述方案中任一项所述的方法。
与现有技术相比，本申请通过构建生物材料活性值与其特征波长消光效率因子之间关系的PLS模型，实现了基于消光特性对生物材料活性的定量判定，能够以低成本、无损、非入侵的方式，快速实现生物材料活性的准确定量预测。
附图说明
为了更清楚地说明本申请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一简单地介绍。显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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。
图1为根据本申请实施例的生物材料活性定量分析模型构建方法工作流程示意图；
图2为根据本申请一实施例的生物材料活性定量判定方法工作流程示意图；
图3为本申请一实施例的生物材料活性定量判定装置组成示意图；
图4为根据本申请另一实施例的生物材料活性定量判定方法工作流程示意图；
图5为本申请另一实施例的生物材料活性定量判定装置组成示意图；
图6为实施例1中的AH0302消光特性；
图7为实施例1中的AH0302特征波长分布；
图8为实施例1中的AH0302预测结果。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节，以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
术语解释：
K-K relation： Kramers-Kronig关系是数学上连结复面上半可析函数实部和虚部的公式，此关系式常用于物理系统的线性反应函数，可用于推导材料复折射率数值。
DDA:离散偶极近似（Discrete Dipole Approximation DDA）是一种用来求解物体散射电磁波的计算方法。它使用大量偶极子组成的阵列来模仿连续的物体，通过求解这些偶极子在入射电磁波照射下的极化度来获得物体吸收、散射电磁波的性质。
LAR：最小角回归算法（Least Angle Regression，LAR）是一种针对于线性回归问题，快速进行特征选择和回归系数计算的迭代算法，其核心思想为：将回归目标向量依次分解为若干组特征向量的线性组合，最终使得与所有特征均线性无关的残差向量最小。
PLS：偏最小二乘回归（Partial least squares regression，PLS回归）是一种统计学方法，与主成分回归有关系，但不是寻找响应变量和自变量之间最大方差的超平面，而是通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。
本申请将生物材料的光学特性与机器学习结合以实现对材料活性的定量判定。具体地，通过采集不同活性生物材料的显微红外光谱，对光谱进行K-K变换计算其复折射率，通过复折射率计算相应的消光特性参数，结合消光特性建立LAR-PLS模型进行特征变量选择及回归分析，以得到较好的预测结果。
图1为根据本申请实施例的生物材料活性定量分析模型构建方法工作流程示意图。如图1所示，该方法包括如下步骤：
步骤101、制备具有不同活性值的生物材料样本压片。
将同一批次微生物材料进行高温灭活，使其完全失去活性。根据不同配比制备不同活性的生物材料样本，将完全灭活的死性材料和未经处理的活性材料按不同质量混合，并使用磁力搅拌器搅拌均匀，以预定阶梯比例（例如10%）进行配置，得到0~100%活性值的多份（当采用10%阶梯比例时，得到11份）生物材料样本。
使用红外压片机对所述生物材料样本进行压片处理，得到样本压片。
步骤102、测量所述生物材料样本压片的红外光谱。
示例性地，使用BRUKER TENSOR 37型号红外光谱仪配备HYPERION 2000红外显微镜测量样品压片的显微红外光谱。采集样品压片在4000～600cm-1波段的反射光谱。分辨率为2cm-1，并选择扫描128次的平均值。其中，可以采用镀金反射镜面作为背底，每个样品压片选取5个采样点进行反射光谱测定，每个点选择测试三次测量的平均值。
此外，还可以采用S-C卷积平滑法对测量得到的红外光谱数据进行平滑化处理，以消除数据中的噪声、杂散光等信息。
步骤103、对所述红外光谱进行K-K变换以计算所述生物材料的复折射率。
本申请中，通过Kramers-Kronig关系计算所述生物材料样品的复折射率，即对所述红外光谱进行K-K变换以计算复折射率。
对于垂直入射的电磁波，计算材料的反射相移Θ(λ)：
Figure DEST_PATH_IMAGE001
式中，λ为反射波波长，R(λ)为材料的垂直入射反射率；P为柯西主值函数。
在上式中可以看出需要测定光谱的全波段反射率，而在实际试验测定中，由于测试仪器的工作波段不能全覆盖（λ a ~λ b ），那么测试波段之外的反射率需要通过经验公式外推或常数外推得到，即：
Figure 799729DEST_PATH_IMAGE002
假设材料的复折射率m(λ) = n(λ) + ik(λ)，则复折射率实部n(λ)与虚部k(λ)可以分别由下面两个公式计算：
Figure DEST_PATH_IMAGE003
步骤104、根据所述复折射率计算所述生物材料的消光效率因子。
在本申请中，基于所述复折射率，可以利用DDA方法计算生物材料的消光效率因子。DDA方法将实际散射粒子离散为有限个相互作用的偶极子阵列，每个偶极子通过对局域电场的响 应获得偶极矩，所有偶极子在远场辐射的总和构成散射场。假设将散射体离散为N个偶极子，其中第j个偶极子的极化率为a j ，坐标为r j 处的电场是入射场E j,inc 和其余（N-1）个偶极子所产生电场的叠加，记为E j ，则可以计算电偶极矩p j 。在获得电偶极矩的基础上，利用DDA方法即可计算散射粒子的消光效率因子Q ext 。
或者，也可以使用相关工具，例如DDSCAT软件基于复折射率确定生物材料的消光效率因子Q ext 。
步骤105、基于生物材料活性值和消光效率因子构建全波长消光光谱数据集，并对所述全波长消光光谱数据集进行特征波长选择，得到特征波长消光光谱数据集。
考虑样品光谱数据的重叠以及特征吸收区域不明显，为了提高后续模型预测的准确性和可靠性，首先需要对全波长消光光谱数据集的数据进行特征波长筛选，以筛选出能够表征样本特征的特征波长。本申请使用LAR（最小角回归）进行特征波长筛选。
LAR通过将变量中无关变量的系数设为0实现有用变量的选择，其模型为：
Figure 215798DEST_PATH_IMAGE004
式中，（x i1，x i2，…，x ip ）为样本i的波长，y i 为样本的响应，β j 为样本i第j个波长的系数，t ≥ 0约束值。在t→0，LAR算法通过将对样本i影响较小的波长的系数β j 设置为0，筛选出最能表征样本i属性的波长。
假设样本i的光谱数据为X = {x i1，x i2，…，x il }，LAR筛选光谱波长的具体过程为：
（1）求解回归变量矩阵β j
将样品的光谱数据X送入LAR模型中，遵循最小化AIC原则，对回归系数进行求解进而构造出回归变量矩阵。该矩阵中，1表示样本i相关性较高，0表示该波长与样本相关性较低。
（2）变量筛选
LAR模型利用回归变量矩阵求解样本光谱的特征波长，即：
Figure DEST_PATH_IMAGE005
式中，
Figure 734636DEST_PATH_IMAGE006
为LAR模型筛选出来的波长，为样本的原始光谱数据，
Figure DEST_PATH_IMAGE007
为回归变量矩阵。
其中，特征点的数目为4~10。
复折射率及消光特性参数计算的具体过程参见前述步骤102。所述消光光谱数据集包括生物材料的消光效率因子（即数据）以及与消光效率因子对应的生物材料活性值（即标签）。
步骤106、基于所述特征波长消光光谱数据集，使用PLS回归方法构建生物材料消光效率因子与生物材料活性值之间的对应关系，以得到生物材料活性定量分析模型。
以下对PLS回归分析方法原理进行简要介绍。
在PLS中，设自变量向量为x = {x 1，x 2，…，x p }，因变量向量为y = {y 1，y 2，…，y q }，样本观测数为n，因此自变量与因变量的矩阵分别记为X n×p ，Y n×q 。偏最小二乘回归分析分别在X和Y中提取成分f i 与u i ，并满足下列条件：
（1）f i 与u i 应最大限度（方差尽可能大）携带各自数据矩阵中的信息。
（2）f i 与u i 的相关程度达到最大。
提取第一对成分f i 与u i 之后，偏最小二乘分别实施X对f i ，Y对u i 的回归，若回归方程已经达到满意的精确度，则停止；否则将在X与Y分别被f i 解释后的残余信息中提取第二对成分，按照此规则循环，直到达到满意的精确度停止。
若最终对X提取了m个成分f 1，f 2，…，f m ，偏最小二乘将实行y k 对f 1，f 2，…，f m 的回归，然后再表达成y k 关于自变量x 1，x 2，…，x p 的回归方程（k = 1，2，…，q）。
具体回归步骤包括：
（1）记数据矩阵X与Y，第i对成分为f i 与u i 。提取的成分是原变量的线性组合，设
f i = Xω i ，u i = Yξ i ，则提取成分的规则为：
Figure 942238DEST_PATH_IMAGE008
式中，< Xω i ，Yξ i >表示两个向量的内积（即成分的相关程度），于是只需求出矩阵X T YY T X的特征值与特征向量，最大特征值λ max 对应的特征向量即为要求的ω i 。
（2）分别实施X对f 1 ，Y对f 1 的回归：
Figure DEST_PATH_IMAGE009
式中，
Figure 546526DEST_PATH_IMAGE010
是回归系数向量，可由简单最下二乘求得E 1和F 1是回归方程的残差矩阵。
（3）用残差矩阵E 1和F 1进行前面两个步骤，依次循环。设X的秩为r，则存在r个成分，使得：
Figure DEST_PATH_IMAGE011
把f i = Xω i 带入上式，得到y k 关于自变量x 1，x 2，…，x q 的回归方程：
Figure 969548DEST_PATH_IMAGE012
前述提到在某次提出成分后达到满意精确度则停止提取，这是一个模糊的概念，需要给出一个可以量化的原则来确定成分的个数。可以采用根据交叉验证结果确定成分个数的方法，具体地，把所有的样本点分成预测集与测试集两部分，预测集用来拟合偏最小二乘模型，测试集用来测试预测集拟合的模型的拟合优度。模型的拟合优度用预测误差平方和衡量：
Figure DEST_PATH_IMAGE013
press越小则表示拟合优度越高。
再以此种方式重复g次，直到所有的样本都被预测一次，最后把每次预测的误差平方和加总，记为PRESS：
Figure 342892DEST_PATH_IMAGE014
取PRESS最小或者PRESS几乎不再变化的成分个数作为最终模型选取的成分个数m。
最终，基于所述特征波长消光光谱数据集使用PLS回归方法构建生物材料活性定量预测模型，通过选择相关评价指标，例如R2(决定系数)、RMSE(均方根误差)、MAE(平均决定误差)等对模型参数进行优化，得到最优的生物材料活性定量分析模型，该模型体现了生物材料的消光效率因子与生物材料的活性值之间的一一对应关系，进而在确定生物材料消光效率因子的情况下，利用该模型可以准确判定生物材料的活性值。
图2为根据本申请一实施例的生物材料活性定量判定方法工作流程示意图。在该实施例中，可以获取待检测生物材料的红外光谱。如图2所示，该方法包括如下步骤：
步骤201、获取待检测生物材料的红外光谱。
步骤202、根据所述红外光谱计算所述生物材料的复折射率，并根据所述复折射率计算所述生物材料的消光效率因子。
步骤203、将所述所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值。
其中，所述生物材料活性定量分析模型为根据前述步骤101-106构建的生物材料活性定量分析模型，具体构建过程在此不再赘述。
图3为根据本申请一实施例的生物材料活性定量判定装置300组成示意图。如图3所示，该装置包括：
输入模块301，被配置为获取待检测生物材料的红外光谱。
计算模块302，被配置为根据所述红外光谱计算所述待检测生物材料的复折射率，并根据所述复折射率计算所述待检测生物材料的消光效率因子。
判定模块303，被配置为将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值。
图4为根据本申请另一实施例的生物材料活性定量判定方法工作流程示意图。在该实施例中，可以直接获取待检测生物材料的消光效率因子，例如通过室内或野外烟幕箱实验测定其透过率、浓度及消光截面积等获得。如图4所示，该方法包括如下步骤：
步骤401、获取待检测生物材料的消光效率因子。
步骤402、将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值。
其中，所述生物材料活性定量分析模型为根据前述步骤101-106构建的生物材料活性定量分析模型，具体构建过程在此不再赘述。
图5为根据本申请另一实施例的生物材料活性定量判定装置500组成示意图。如图5所示，该装置包括：
输入模块501，被配置为获取待检测生物材料的消光效率因子。
判定模块502，被配置为将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值。
实施例1：
该实施例以AH0302生物材料为例，并执行以下过程：
（1）制备AH0302生物材料。
将同一批次微生物材料在ZEALWAY GIDP高温灭菌锅中在103.4kPa蒸气压、121°高温环境下维持30分钟，取出后将其放置于干燥箱中在80°环境下进行干燥，直至样品质量保持恒重，此时灭活工作已经完成，得到完全死的材料。
（2）配比不同活性的材料，以10%为梯度，分别配置0~100%共十一种不同活性的样品。使用电子天平称重，使用LC-DMS-H磁力搅拌机搅拌，保证死活材料混合均匀。将配置好的材料使用红外压片机进行压片。
（3）使用BRUKER TENSOR 37型号红外光谱仪配备HYPERION 2000红外显微镜测量样品材料的显微红外光谱。采集压片在4000～600cm-1波段的反射光谱。分辨率为2 cm-1，并选择扫描128次的平均值。采用镀金反射镜面作为背底，每个样品压片选取5个采样点进行反射光谱测定，每个点选择测试三次测量的平均值。
（4）通过测量11个样品的显微红外光谱，通过K-K变换计算其复折射率，并筛选掉部分干扰波段。
（5）结合复折射率利用DDA方法计算材料的消光效率因子，计算结果如图6所示。
（6）对消光光谱进行特征波长提取，采用LAR算法选择特征波长，波长选择分布结果如图7所示。
（7）构建用于预测生物材料活性值的PLS回归模型，并使用该模型预测生物材料的活性值。其中，模型评估参数为：R2为0.9699，RMSE为0.0475，MAE为0.0437。预测结果如图8所示。
以上各实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (6)

1.一种生物材料活性的定量判定方法，其特征在于，包括：
获取待检测生物材料的消光效率因子；其中，所述消光效率因子通过烟幕箱实验获得；
将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值；
其中，所述生物材料活性定量分析模型被构建为表示生物材料消光效率因子与生物材料活性值之间的对应关系，其构建方法包括：
制备具有不同活性值的生物材料样本；
测量所述生物材料样本的红外光谱；
对所述红外光谱进行K-K变换以计算所述生物材料的复折射率；
根据所述复折射率计算所述生物材料的消光效率因子；
基于生物材料活性值和消光效率因子构建全波长消光光谱数据集，并对所述全波长消光光谱数据集进行特征波长选择，得到特征波长消光光谱数据集；
基于所述特征波长消光光谱数据集，使用PLS回归方法构建生物材料消光效率因子与生物材料活性值之间的对应关系，以得到所述生物材料活性定量分析模型。
2.根据权利要求1所述的定量判定方法，其特征在于，使用LAR算法对所述全波长消光光谱数据集进行特征波长选择。
3.一种生物材料活性的定量判定装置，其特征在于，包括：
输入模块，被配置为获取待检测生物材料的消光效率因子；其中，所述消光效率因子通过烟幕箱实验获得；
判定模块，被配置为将所述消光效率因子输入生物材料活性定量分析模型，得到所述待检测生物材料的活性值；
其中，所述生物材料活性定量分析模型被构建为表示生物材料消光效率因子与生物材料活性值之间的对应关系，其构建方法包括：
制备具有不同活性值的生物材料样本；
测量所述生物材料样本的红外光谱；
对所述红外光谱进行K-K变换以计算所述生物材料的复折射率；
根据所述复折射率计算所述生物材料的消光效率因子；
基于生物材料活性值和消光效率因子构建全波长消光光谱数据集，并对所述全波长消光光谱数据集进行特征波长选择，得到特征波长消光光谱数据集；
基于所述特征波长消光光谱数据集，使用PLS回归方法构建生物材料消光效率因子与生物材料活性值之间的对应关系，以得到所述生物材料活性定量分析模型。
4.根据权利要求3所述的定量判定装置，其特征在于，使用LAR算法对所述全波长消光光谱数据集进行特征波长选择。
5.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的存储器，其存储有可被所述处理器执行的指令；当所述指令被所述处理器执行时，实现根据权利要求1或2所述的方法。
6.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1或2所述的方法。
CN202211244183.2A 2022-10-12 2022-10-12 一种基于消光特性定量判定生物材料活性的方法及装置 Active CN115308158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211244183.2A CN115308158B (zh) 2022-10-12 2022-10-12 一种基于消光特性定量判定生物材料活性的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211244183.2A CN115308158B (zh) 2022-10-12 2022-10-12 一种基于消光特性定量判定生物材料活性的方法及装置

Publications (2)

Publication Number Publication Date
CN115308158A CN115308158A (zh) 2022-11-08
CN115308158B true CN115308158B (zh) 2023-01-06

Family

ID=83867929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211244183.2A Active CN115308158B (zh) 2022-10-12 2022-10-12 一种基于消光特性定量判定生物材料活性的方法及装置

Country Status (1)

Country Link
CN (1) CN115308158B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115963074B (zh) * 2023-02-23 2023-06-02 中国人民解放军国防科技大学 一种微生物材料孢子菌丝占比的快速检测方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6691045B1 (en) * 1998-02-19 2004-02-10 Chemical Computing Group Inc. Method for determining discrete quantitative structure activity relationships
CN115015126A (zh) * 2022-04-26 2022-09-06 中国人民解放军国防科技大学 一种粉末状生物粒子材料活性判定方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2998899B1 (fr) * 2012-11-30 2015-07-17 Commissariat Energie Atomique Methode de criblage a haut-debit pour l'identification de biomarqueurs, cibles therapeutiques ou d'agents therapeutiques

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6691045B1 (en) * 1998-02-19 2004-02-10 Chemical Computing Group Inc. Method for determining discrete quantitative structure activity relationships
CN115015126A (zh) * 2022-04-26 2022-09-06 中国人民解放军国防科技大学 一种粉末状生物粒子材料活性判定方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黑曲霉孢子灭活前后红外消光特定;顾有林等;《红外与激光工程》;20150131;第36-41页 *

Also Published As

Publication number Publication date
CN115308158A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
Türker-Kaya et al. A review of mid-infrared and near-infrared imaging: principles, concepts and applications in plant tissue analysis
Bai et al. Accurate prediction of soluble solid content of apples from multiple geographical regions by combining deep learning with spectral fingerprint features
Liu et al. Comparison of calibrations for the determination of soluble solids content and pH of rice vinegars using visible and short-wave near infrared spectroscopy
Du et al. Evaluation of soil fertility using infrared spectroscopy: a review
Shao et al. Quantification of nitrogen status in rice by least squares support vector machines and reflectance spectroscopy
CN115308158B (zh) 一种基于消光特性定量判定生物材料活性的方法及装置
Pullanagari et al. Multi-spectral radiometry to estimate pasture quality components
CN109540836A (zh) 基于bp人工神经网络的近红外光谱糖度检测方法及系统
WO2019028540A1 (en) METHOD FOR ANALYZING SOIL FERTILITY BY CHEMICAL AND PHYSICAL PARAMETERS USING VIS-NIR SPECTROSCOPY IN A LARGE SCALE ROUTINE TEST
CN109409350B (zh) 一种基于pca建模反馈式载荷加权的波长选择方法
Westerhaus et al. Quantitative analysis
Tamburini et al. Development of FT-NIR models for the simultaneous estimation of chlorophyll and nitrogen content in fresh apple (Malus domestica) leaves
Xu et al. Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging
Sun et al. Potential of multivariate statistical technique based on the effective spectra bands to estimate the plant water content of wheat under different irrigation regimes
Cheng et al. Hyperspectral and imagery integrated analysis for vegetable seed vigor detection
Wang et al. Predicting organic matter content, total nitrogen and ph value of lime concretion black soil based on visible and near infrared spectroscopy
Tan et al. Mutual information-induced interval selection combined with kernel partial least squares for near-infrared spectral calibration
Liu et al. Rapid determination of acidity index of peanut during storage by a portable near-infrared spectroscopy system
Champeil et al. Effects of grain sampling procedures on Fusarium mycotoxin assays in wheat grains
Bag et al. FT‐NIR spectroscopy: a rapid method for estimation of moisture content in bael pulp
Fantin et al. Spectral characterization and quantification of Phakopsora pachyrhizi urediniospores by Fourier transformed infrared with attenuated total reflectance
Krause et al. NIR and PLS discriminant analysis for predicting the processability of malt during lautering
CN113049526B (zh) 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法
Checa et al. Preliminary study of the relation between the content of cadmium and the hyperspectral signature of organic cocoa beans
Xin et al. Study on pesticide residues classification of lettuce leaves based on polarization spectroscopy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant