基于自适应EEMD-机器学习算法的微型质谱多基质药物浓度预测研究

本研究针对复杂基质中拉莫三嗪浓度检测的挑战，创新性地将集成经验模态分解(EEMD)与机器学习(ML)相结合，提出了一种自适应EEMD-Ridge Regression(RR)算法。通过EEMD分解质谱信号提取本征模态函数(IMF)，有效分离噪声与关键特征；利用RR的L2正则化解决高维IMF特征的多重共线性问题，并通过ML优化EEMD参数K。实验表明，该方法在PBS、兔血和人源基质三类盲样中预测准确率超90%，相对标准偏差(RSD)显著改善，为临床药物监测提供了更精准稳定的技术方案。

　　

在癫痫和双相情感障碍的治疗中，拉莫三嗪作为一线药物因其复杂的药代动力学特性面临重大监测挑战。患者个体差异、药物相互作用以及肝脏代谢途径的多样性，导致其血药浓度波动显著。传统检测方法在复杂生物基质中易受干扰，而微型质谱技术虽具便携优势，却因信号噪声和基质效应难以实现精准定量。针对这一临床痛点，中国计量科学研究院联合多家机构的研究团队在《International Journal of Mass Spectrometry》发表研究，开创性地将信号处理与机器学习融合，建立了基于自适应EEMD-RR的预测模型。

研究采用标准溶液浓度梯度(0.50–30.00 mg/L)建立数据集，核心技术包括：1) 集成经验模态分解(EEMD)通过噪声辅助分解获得物理意义明确的IMF分量；2) 岭回归(RR)利用L₂正则化约束高维特征参数；3) 机器学习优化EEMD关键参数K值；4) 在PBS、兔血和人源基质三类盲样中进行验证。

Results and discussion
通过EEMD分解获得6个IMF分量和1个残差项，其中IMF1-2被识别为噪声，IMF3-5携带药物特征信号。RR模型筛选出的最优IMF组合使PBS样本预测准确率从88.9%提升至94.2%，RSD改善达32%。在兔血基质中，特征重构后的模型克服了血红蛋白干扰，准确率达91.5%；人源基质测试显示该方法对复杂生物成分具有普适性。与传统PCA-EMD方法相比，该算法将信号特征提取效率提高2.3倍。

Conclusion
该研究首次实现EEMD-RR在微型质谱药物监测中的协同应用，通过信号分解-特征优化-参数自适应的三重创新，解决了复杂基质下检测精度不足的核心问题。Yanbing Li等研究者证实，该方法对0.50 mg/L低浓度样本仍保持90.7%的准确率，显著优于现有技术。Ming Li团队强调，该技术可扩展至其他治疗窗狭窄药物的监测，为精准医疗提供了可标准化的分析范式。

研究获得国家重点研发计划(2023YFF0723500)和国家市场监管总局技术创新中心(AKYKF2513)支持，相关算法已申请发明专利。Binrui Xie等指出，未来将通过迁移学习进一步优化模型在多元药物联用场景的适应性。