基于太赫兹光谱与 VGG-16 神经网络的蛋白质精准识别研究

《iScience》：Distinguishing different proteins based on terahertz spectra by visual geometry group 16 neural network

研究人员结合太赫兹（THz）光谱与 VGG-16 神经网络识别 4 种蛋白质，准确率达 98.8%，助力生物医学。

　　在生物医学领域，蛋白质就像一个个精密的 “小机器”，它们在人体中承担着多种多样至关重要的工作。比如白蛋白，主要由肝脏合成，不仅维持着血浆胶体渗透压，还参与营养物质、药物运输以及血浆 pH 调节等工作，同时在免疫、抗氧化和抗凝过程中也有它的身影；胶原蛋白作为结缔组织的主要成分，对皮肤、骨骼、肌腱等组织的结构和功能起着关键作用，还能助力肌肉生长和修复；胃里的胃蛋白酶负责把蛋白质分解成小肽和氨基酸，帮助人体消化吸收；胰腺分泌的胰酶则在消化蛋白质、淀粉和脂肪的过程中功不可没。

准确识别和深入研究这些蛋白质，不仅能帮我们揭示生命活动的奥秘，还能为医学和生物医学领域带来新的突破。例如，某些疾病的发生往往伴随着特定蛋白质的异常表达，精准识别这些蛋白质，就有可能实现疾病的早期诊断，为患者争取宝贵的治疗时间。然而，目前常用的蛋白质识别方法却存在不少 “短板”。像质谱法虽然灵敏度高、特异性强，能提供详细的结构信息，但样本制备过程繁琐又昂贵；X 射线晶体学可以在原子分辨率下测定蛋白质的三维结构，可它对蛋白质晶体质量要求极高，很多蛋白质难以满足；核磁共振光谱通常是非破坏性的，但长时间暴露在高强度磁场或使用高浓度溶剂可能会影响样本，尤其是复杂的生物分子；酶联免疫吸附测定需要标记特定抗原或抗体，步骤多，还容易受到非特异性结合的干扰，而且样本会被消耗，检测次数受限。这些问题就像一道道 “关卡”，阻碍着蛋白质识别研究的快速发展。

为了突破这些障碍，来自北京大学先进微纳制造技术国家重点实验室、首都师范大学物理系等多个研究机构的研究人员 Yusa Chen、Xiwen Huang、Meizhang Wu 等开展了一项极具创新性的研究。他们将太赫兹（THz）吸收光谱和折射率光谱与视觉几何组 16（VGG-16）神经网络相结合，试图实现对白蛋白、胶原蛋白、胃蛋白酶和胰酶这四种蛋白质的智能识别。该研究成果发表在《iScience》杂志上。

研究人员在开展研究时，用到了几个关键技术方法。首先是太赫兹时域光谱技术（THz-TDS），它能同时获取生物分子的太赫兹吸收光谱和折射率光谱。研究人员使用 800nm 飞秒激光、时间延迟控制系统等搭建了 THz-TDS 系统，并在真空环境下进行测量，以避免水汽干扰。其次是 Grassia 角和场（GASF）方法，它能将一维光谱数据转换为二维图像，为后续的神经网络分析提供合适的数据形式。最后，基于迁移学习技术构建了 VGG-16 神经网络模型，用于蛋白质的识别。

下面来看具体的研究结果。

1. 光谱分析：利用 THz-TDS 测量各样本的时域光谱，发现与参考信号相比，四种蛋白质的最大峰值都有不同程度的衰减。通过傅里叶变换得到吸收光谱和折射率光谱后发现，在 0.2 - 1.6THz 范围内没有明显的特征吸收峰，但不同蛋白质的吸收曲线和折射率存在差异。例如，胶原蛋白的最大、最小和平均吸收系数在四种蛋白质中最大，意味着其化学键在太赫兹波段的振动或转动模式更强；而胰酶的最大吸收系数和平均吸收系数最小，说明其相关分子振动或转动模式较弱。同时，胶原蛋白的平均折射率最大，表明太赫兹波在其中传播较慢；白蛋白的平均折射率最小，太赫兹波传播较快。
2. 基于太赫兹吸收光谱的区分：将太赫兹吸收光谱通过 GASF 方法转换为二维图像，作为 VGG-16 神经网络的数据集。模型经过 12 轮训练后开始收敛，训练集和测试集的准确率分别达到 89.9% 和 90.9%，整体识别准确率为 90.90%。不过，该模型在识别胰酶时容易出错，对胃蛋白酶和胰酶的识别也不够准确。
3. 基于太赫兹吸收 - 折射率光谱的区分：把蛋白质的折射率作为横坐标，吸收作为纵坐标，得到吸收 - 折射率光谱。将其转换为二维图后作为数据集训练 VGG-16 模型，结果显示模型在迭代 10 次时收敛，训练集和测试集的准确率分别达到 98.6% 和 98.8%。此时，模型对胶原蛋白、胃蛋白酶和胰酶的识别准确率达到 100%，对白蛋白的识别准确率为 95%，整体准确率高达 98.80%。

在研究结论和讨论部分，研究人员指出，使用太赫兹吸收 - 折射率光谱作为学习特征，VGG-16 模型的损失更小、识别准确率更高。与支持向量机（SVM）、高斯过程分类器（GPC）、双向门控循环单元（BiGRU）和卷积神经网络 - 双向门控循环（CNN-BiGRU）等模型相比，VGG-16 模型表现更优。不过，该研究也存在一定局限性，比如仅在四种特定蛋白质上进行了测试，其对复杂生物混合物的适用性还有待验证，而且 VGG-16 模型的计算复杂度和资源需求可能会给实时或大规模应用带来挑战。但总体而言，这项研究为蛋白质识别提供了一种快速、准确的新方法，有望拓展到其他生化物质的识别，如氨基酸、糖类、核酸等，在生物传感器、生物制药和医学等生物技术领域具有重要的潜在应用价值。