利用ATR-FTIR光谱技术结合机器学习诊断COVID-19：冻干鼻拭子样本的创新应用

推荐 为解决传统COVID-19检测方法（如RT-PCR）成本高、依赖专业人员及基础设施的问题，研究人员采用ATR-FTIR光谱技术结合机器学习，对冻干鼻拭子样本进行分析。结果显示，该方法可100%准确区分健康与感染样本，具有快速、无创且高通量的优势，为后疫情时代的筛查提供了新工具。

　　

论文解读
自2019年底新冠病毒（SARS-CoV-2）暴发以来，全球公共卫生体系面临前所未有的挑战。快速、准确的诊断技术成为遏制病毒传播的关键。然而，传统的逆转录聚合酶链反应（RT-PCR）检测依赖专业实验室设备与技术人员，且耗时较长，难以满足大规模筛查需求。此外，无症状感染者占比高达50%，进一步加剧了防控难度。在此背景下，科学家亟需开发一种无创、高效且低成本的检测方法。

为此，巴基斯坦国立卫生研究院（National Institute of Health, NIH）的研究团队创新性地采用衰减全反射傅里叶变换红外光谱（Attenuated Total Reflection-Fourier Transform Infrared Spectroscopy, ATR-FTIR）技术，结合机器学习算法，对冻干鼻拭子样本进行分析。该研究通过对比55例COVID-19阳性患者与55例健康个体的样本，揭示了光谱特征在疾病诊断中的潜力。

研究团队首先对样本进行预处理，去除水分干扰后，获取600–4000 cm^-1波数范围内的平均光谱。分析发现，COVID-19阳性样本与健康样本在17个波数位置存在显著差异，其中13个峰值仅出现在阳性样本中。随后，研究人员通过主成分分析（Principal Component Analysis, PCA）、线性判别分析（Linear Discriminant Analysis, LDA）和支持向量机（Support Vector Machine, SVM）进行分类验证。结果显示，LDA模型的二次核函数实现了100%的分类准确率，而SVM模型在内外部验证中均保持同样性能。

关键技术方法
研究团队采用ATR-FTIR光谱技术获取样本的红外吸收特征，并结合PCA、LDA及SVM算法进行数据分析。样本经冻干处理以提高信噪比，并通过预处理消除水分干扰。

研究结果与结论
研究发现，COVID-19阳性样本的光谱在特定波数处呈现显著差异，这些差异可能与病毒引发的生化变化相关。LDA与SVM模型的分类结果表明，该方法具有极高的敏感性与特异性。研究团队指出，冻干鼻拭子样本不仅简化了传统检测流程，还降低了成本，适用于资源有限地区的快速筛查。

该研究的意义在于提出了一种无创、高通量的COVID-19诊断替代方案。相较于RT-PCR，ATR-FTIR技术无需复杂设备，且检测时间大幅缩短。此外，冻干样本的稳定性为长期存储与运输提供了便利，尤其适用于偏远地区或应急场景。尽管如此，研究团队也强调需进一步验证不同变异株的适用性，并探索更多生物标志物以提高诊断特异性。

总体而言，这项研究为COVID-19诊断开辟了新方向，其成果有望推动低成本、高效率检测技术的普及，助力全球抗疫工作。论文发表于《Biophysical Chemistry》，为光谱技术在医学诊断中的应用提供了重要参考。