《ACS Omega》：ATR-FTIR Spectroscopy for Detection of Anti-interferon-Gamma Autoantibodies
编辑推荐：
本研究首次将衰减全反射-傅里叶变换红外（ATR-FTIR）光谱技术结合机器学习算法，应用于抗干扰素-γ自身抗体（AIGA）的快速检测。该技术通过分析血浆样本的分子指纹，实现了对AIGA阳性患者的高精度区分（准确率95%，特异性100%），为成人发病免疫缺陷症（AOID）的筛查提供了一种快速、低成本的辅助诊断新策略。
研究背景与临床需求
成人发病免疫缺陷症（Adult-onset immunodeficiency, AOID）是一种与人类免疫缺陷病毒（HIV）无关的获得性免疫缺陷疾病，其发病机制与体内产生抗干扰素-γ自身抗体（Anti-interferon-gamma autoantibodies, AIGA）密切相关。AIGA会中和干扰素-γ（IFN-γ），破坏细胞免疫，导致患者对非结核分枝杆菌（NTM）等机会性病原体高度易感，甚至危及生命。因此，AIGA的检测对于AOID的诊断、监测和预后判断至关重要。
目前，检测AIGA的“金标准”方法是抑制性酶联免疫吸附试验（Inhibitory ELISA）。然而，该方法存在耗时长、需要批量处理样本、成本较高等局限性，难以满足临床快速筛查的需求。因此，开发一种快速、简便、低成本的AIGA检测方法具有重要的临床意义。
技术原理与创新点
衰减全反射-傅里叶变换红外（Attenuated total reflectance-Fourier transform infrared, ATR-FTIR）光谱技术是一种基于分子振动原理的分析技术。当红外光照射到样本时，样本中的化学键会吸收特定波长的光，产生独特的“分子指纹”光谱。通过分析这些光谱，可以获取样本的化学组成和结构信息。
本研究创新性地将ATR-FTIR技术应用于AIGA的检测。该技术具有样本用量少（仅需5 μL）、分析速度快、无需标记、成本低廉等优势。研究团队进一步结合主成分分析（Principal Component Analysis, PCA）和偏最小二乘判别分析（Partial Least-Squares-Discriminant Analysis, PLS-DA）等机器学习算法，对光谱数据进行深度挖掘，旨在建立一种能够快速、准确区分AIGA阳性患者的新方法。
样本来源与实验设计
研究共纳入75名受试者，分为三组：
- •
AIGA阳性组（AIGA POS）：45名患者。
- •
AIGA阴性组（AIGA NEG）：15名患者。
- •
健康对照组（Healthy Control, HC）：15名健康个体。
所有样本均为肝素化血浆或血清。AIGA的浓度通过抑制性ELISA进行测定，作为参考标准。研究采用ATR-FTIR光谱仪对样本进行检测，每个样本重复测量三次以确保可重复性。随后，利用PCA和PLS-DA等算法对光谱数据进行分析，以区分不同组别的样本。
关键发现与结果分析
1. 样本类型无显著影响
研究首先比较了肝素化血浆和血清样本的ATR-FTIR光谱。结果显示，两种样本的平均光谱模式几乎完全相同，PCA分析也显示数据点高度重叠。这表明，样本类型（血浆或血清）对ATR-FTIR分析结果没有显著影响，增强了该方法的临床适用性。
2. AIGA患者光谱特征显著改变
与健康对照组相比，AIGA阳性患者的光谱在指纹区（1800–800 cm–1）表现出显著差异。研究共鉴定出9个差异峰位，其中3个峰位的吸光度差异具有统计学意义：
- •
1632 cm–1：与β-折叠结构（β-sheet structure）相关。
- •
1073 cm–1：与脱氧核糖/核糖（DNA/RNA）相关。
- •
1033 cm–1：与胶原蛋白和β-异构体的C-O伸缩振动相关。
PCA分析显示，AIGA阳性患者与健康对照组在指纹区和酰胺区（1700–1500 cm–1）均能实现有效分离，表明AIGA阳性患者的血浆样本在分子水平上存在独特的化学特征。
3. 蛋白质二级结构发生改变
为了深入探究蛋白质结构的变化，研究人员计算了酰胺I区（1700–1600 cm–1）与酰胺I+II+III区（1700–1000 cm–1）的吸光度面积比值（Aamide I/Aamide I+II+III）。结果显示，AIGA阳性患者的该比值显著低于AIGA阴性组和健康对照组，表明其蛋白质组成发生了显著重排。
进一步分析发现，AIGA阳性患者的光谱在1649 cm–1（α-螺旋结构）处的峰强度降低，而在1632 cm–1（β-折叠结构）处的峰强度升高。这表明AIGA阳性患者的蛋白质二级结构发生了从α-螺旋向β-折叠的构象转变。此外，在1560–1464 cm–1区域（与免疫球蛋白G，IgG相关）的吸光度强度也显著增加，这与AIGA作为自身抗体的本质相符。
4. 机器学习模型实现高精度预测
研究团队利用PLS-DA算法，基于酰胺区的光谱数据建立了一个预测模型，用于区分AIGA阳性患者和AIGA阴性患者。该模型在训练集上表现出良好的分离效果。
在独立测试集（15名AIGA阳性患者和5名AIGA阴性患者）上进行验证时，该模型取得了优异的性能：
- •
准确率（Accuracy）：95%
- •
灵敏度（Sensitivity）：93.3%
- •
特异性（Specificity）：100%
- •
阳性预测值（Positive Predictive Value, PPV）：100%
- •
阴性预测值（Negative Predictive Value, NPV）：83.3%
在比较了多种机器学习算法（包括支持向量机、随机森林、神经网络和k-近邻算法）后，PLS-DA和k-近邻算法（k-Nearest Neighbor, kNN）表现出了最高的分类性能。
研究结论与临床意义
本研究成功开发并验证了一种基于ATR-FTIR光谱技术结合机器学习算法的AIGA检测新方法。该方法能够通过分析血浆样本的分子指纹，快速、准确地识别AIGA阳性患者，其诊断性能达到了临床可接受的水平。
该技术作为一种无标记、非破坏性、低成本的筛查工具，有望成为现有ELISA方法的有效补充。在临床实践中，ATR-FTIR可用于对疑似AOID的患者进行快速初筛，从而优先对高风险样本进行确证性检测，优化医疗资源分配，缩短诊断时间。
研究局限性与未来展望
尽管研究结果令人鼓舞，但仍存在一些局限性。首先，样本量相对较小，且主要来自单一中心，未来需要在更大规模、多中心的人群中进行外部验证。其次，ATR-FTIR技术对环境因素（如晶体温度和压力）较为敏感，需要建立标准化的操作流程以控制潜在干扰。此外，模型在区分AIGA阳性患者与某些临床表现相似的AIGA阴性患者时，仍需进一步提高其灵敏度和特异性。
未来的研究方向包括：优化光谱预处理和特征选择算法，提高模型的鲁棒性；将该技术应用于其他自身免疫性疾病的诊断；以及探索其在疾病纵向监测和疗效评估中的潜在价值。
