基于血浆拉曼光谱结合机器学习算法的小鼠急性心肌梗死早期诊断新策略

《Scientific Reports》：Plasma-based Raman spectroscopy for early detection of acute myocardial infarction in murine models

本研究针对急性心肌梗死（AMI）早期诊断灵敏度不足的临床难题，开发了血浆拉曼光谱结合机器学习的新型诊断策略。研究人员通过冠状动脉结扎构建小鼠AMI模型，采集术后8小时血浆样本进行光谱分析，鉴定出8个特征拉曼峰（487/855/918/1057/1320/1402/2885/2940 cm-1）。采用随机森林（RF）和线性判别分析（LDA）等算法构建诊断模型，最高准确率达79.6%，且代谢组学验证显示脂质代谢变化与光谱特征高度吻合，为AMI快速诊断提供了新技术路径。

　　

在心血管疾病领域，急性心肌梗死（Acute Myocardial Infarction, AMI）犹如一柄悬在人类健康头上的利剑，它是全球范围内导致心血管疾病死亡的主要原因之一。当前，临床上诊断AMI主要依赖心电图（Electrocardiogram, ECG）和心脏生物标志物如肌钙蛋白（troponin）和肌酸激酶（creatine kinase）的检测。然而，这些方法各有局限：心电图对ST段抬高型心肌梗死（ST-segment elevation myocardial infarction, STEMI）的灵敏度较高，但对非ST段抬高型心肌梗死（non-ST-segment elevation myocardial infarction, NSTEMI）的诊断准确性却大幅下降至57%，而NSTEMI病例占所有AMI的60%。高灵敏度心肌肌钙蛋白（high-sensitivity cardiac troponin, hs-cTn）检测虽然提升了检测阈值，但其准确性可能受肾功能受损或慢性心肌损伤的影响。因此，开发新型生物标志物和快速诊断平台用于AMI的早期诊断成为当务之急。

代谢组学（metabolomics）通过全面分析小分子代谢物，能够捕捉疾病过程中的动态病理生理变化，已被广泛应用于心血管疾病的诊断研究。质谱（Mass Spectrometry, MS）技术是代谢组学分析的金标准，能够精确定量低丰度代谢物，在生物标志物发现中发挥关键作用。然而，质谱技术操作成本高、流程耗时、样本前处理复杂，这些缺点限制了其在AMI早期诊断中的应用。拉曼光谱（Raman spectroscopy）是一种基于光非弹性散射的光学技术，能够提供基于分子振动的精细化学指纹图谱。这种方法具有成本低、无创、高灵敏度的特点，可实现微量样本的快速分析。此外，拉曼光谱可以与人工智能算法结合，开发用于自动识别的诊断分类模型。拉曼光谱在癌症诊断中已取得显著成功，但其在AMI相关代谢谱分析中的潜力尚未得到充分探索。

为了解决AMI早期诊断的难题，贾成友、段春燕、孙静等研究人员在《Scientific Reports》上发表了一项创新性研究，他们开发并验证了一种结合拉曼光谱与机器学习的新型诊断模型，用于小鼠急性心肌梗死的早期检测。该研究旨在探索拉曼光谱是否能够捕捉AMI早期血浆中的代谢变化，并利用机器学习算法建立准确的诊断模型。

为开展此项研究，研究人员运用了几个关键技术方法。首先，他们通过永久结扎左前降支冠状动脉（left anterior descending artery, LAD）的方法构建了C57BL/6小鼠的AMI模型，并在术后8小时采集血浆样本。其次，他们使用532 nm激光的拉曼光谱仪对超滤后的血浆样本进行光谱采集，获取分子振动信息。第三，他们采用了五种机器学习算法——支持向量机（Support Vector Machine, SVM）、逻辑回归（Logistic Regression, LR）、随机森林（Random Forest, RF）、线性判别分析（Linear Discriminant Analysis, LDA）和偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLS-DA）——对拉曼光谱数据进行分析和模型构建。第四，他们利用超高效液相色谱-三重飞行时间质谱（UPLC-Triple-TOF-MS）进行了非靶向代谢组学分析，以验证拉曼光谱所反映的代谢变化。最后，通过京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）数据库对差异代谢物进行了通路富集分析。

AMI小鼠模型构建

研究人员成功通过冠状动脉结扎建立了小鼠AMI模型。心电图记录显示，与假手术组（Sham group）相比，AMI组小鼠出现了明显的ST段-T波抬高。组织学检查（H&E染色）显示，假手术组心肌细胞核结构整齐，而AMI组则出现轻度结构紊乱。更重要的是，术后8小时采集的血浆中，心肌肌钙蛋白I（cTn I）水平在AMI组显著升高，这证实了心肌损伤和梗死的成功建模，并表明术后8小时是进行后续代谢和光谱分析的合适时间点。

血浆样本的拉曼分析

研究人员从54只小鼠的血浆滤液中获取了拉曼光谱。平均归一化光谱显示，AMI组和假手术组的光谱存在差异。主成分分析-线性判别分析（PCA-LDA）显示两组样本能够清晰分离。通过PLS-DA模型的权重系数分析，研究人员鉴定出8个特征拉曼峰，分别位于487 cm^-1（糖原）、855 cm^-1（脯氨酸、酪氨酸）、918 cm^-1（脯氨酸、羟脯氨酸、糖原、乳酸）、1057 cm^-1（脂质）、1320 cm^-1（鸟嘌呤DNA/RNA、CH变形蛋白质）、1402 cm^-1（天冬氨酸和谷氨酸的v(C=O)O）、2885 cm^-1（脂类、脂肪酸的vs CH3）和2940 cm^-1（蛋白质的C-H伸缩、脂类、脂肪酸的vas CH2）。定量分析表明，与氨基酸相关的拉曼峰（如855 cm^-1, 918 cm^-1, 1402 cm^-1）在AMI组强度升高，而与脂质和脂肪酸相关的峰（2885 cm^-1和2940 cm^-1）则在假手术组强度更高。

基于机器学习的AMI诊断模型

为了利用拉曼光谱对AMI组血浆样本进行分类，研究人员比较了五种机器学习算法的性能。结果表明，随机森林（RF）和线性判别分析（LDA）在所有评估算法中取得了最高的分类准确率（79.6%），同时具有高特异性（85.2%）和中等灵敏度（74.1%）。PLS-DA也表现良好，准确率为77.8%。而支持向量机（SVM）的表现相对最低，准确率为74.1%。这些发现表明，RF和LDA在区分AMI与假手术组方面具有优越性。

血浆样本的代谢组学分析

非靶向代谢组学分析共鉴定出108种差异代谢物（64种在正离子模式ESI+，44种在负离子模式ESI-）。这些代谢物可分为八大类，其中脂质和类脂分子、有机酸及其衍生物、有机杂环化合物是主要类别。值得注意的是，脂质和类脂分子占已鉴定代谢物的47%，这与拉曼强度分析中观察到的脂质谱一致。在ESI+模式中，29种代谢物上调，35种下调；在ESI-模式中，25种上调，19种下调。KEGG富集分析显示，差异代谢物主要富集在胆碱代谢、嘧啶代谢、甘油磷脂代谢等通路。具体而言，大多数膜磷脂种类（如多种磷脂酰胆碱PC、磷脂酰乙醇胺PE、鞘磷脂SM等）和多数膜甘油酯及脂肪酸种类（如单酰基甘油MG、二酰基甘油DG等）在AMI组中表达下调，这支持了拉曼光谱中观察到的脂质/脂肪酸信号（2885 cm^-1和2940 cm^-1）减少的趋势。而在核酸类别中，尿苷（uridine）在AMI组显著上调，这与1320 cm^-1（DNA/RNA/CH变形）的拉曼信号变化一致。

研究结论与讨论部分强调，该研究成功开发并验证了一种结合拉曼光谱与机器学习的新型AMI诊断模型。研究揭示了八个能够有效区分AMI与假手术组的特征拉曼峰，其归属表明脂质和脂肪酸在AMI病理生理中扮演关键角色。代谢组学验证显示，大多数脂质类别表达显著下调，这与拉曼光谱中两个脂质相关峰（2885 cm^-1和2940 cm^-1）的下调趋势总体一致，尽管存在部分峰（如1402 cm^-1）趋势相反的可能解释（例如拉曼光谱反映整体脂质谱而质谱检测特定分子种类）。机器学习模型（尤其是RF和LDA）的高性能凸显了该策略在早期AMI诊断中的潜力。研究的局限性包括样本量相对较小、拉曼光谱与特定代谢物的精确关联需进一步阐明、以及麻醉剂等潜在混杂因素的影响。总之，该研究建立了一种快速、准确的AMI诊断模型，将拉曼光谱与机器学习相结合，为未来临床转化提供了有前景的方法论框架，展示了其在急诊医学条件下应用的巨大潜力。