基于拉曼成像与深度学习的血管衰老重塑检测及代谢机制研究

本研究创新性地结合拉曼成像（Raman imaging）与深度学习算法（VGG-16 CNN），实现了小鼠主动脉5种组分（弹性纤维、I/III型胶原纤维、VSMCs细胞核与胞质）的同步分析，通过MCR-ALS分解和代谢组学（LC-MS）揭示衰老相关胶原合成修饰代谢变化，为心血管疾病（CAD、高血压等）提供新型诊断标志物（AUC=0.986）和干预靶点。

　　

Highlight亮点

本研究开创性地将亚微米级拉曼成像与深度学习方法相结合，不仅实现了年轻与衰老主动脉组织的精准区分（曲线下面积AUC达0.986），更揭示了与胶原合成及翻译后修饰相关的代谢重编程过程，为血管衰老监测提供了全新的无标记检测范式。

Study design研究设计

如图S1所示，研究流程涵盖：1）通过液相色谱-质谱联用技术（LC-MS）对年轻/衰老小鼠主动脉进行非靶向代谢组学分析；2）对胸主动脉切片进行拉曼成像；3）采用真实成分分析（TCA）和多元曲线分辨-交替最小二乘法（MCR-ALS）解析组分分布；4）基于VGG-16架构构建卷积神经网络模型。

Mouse models小鼠模型

实验采用C57BL/6?J小鼠，所有操作均遵循哈尔滨医科大学药学院动物实验伦理委员会（IRB3060724）规范。小鼠饲养于无特定病原体环境，温度控制在22±2°C，12小时光照循环，自由获取标准饲料和水——这为研究提供了标准化的年龄相关血管重塑模型。

Metabolomic analysis主动脉代谢组学分析

通过LC-MS检测年轻组与衰老组各5例样本，共鉴定2988种代谢物（ESI⁺1720种，ESI^-1268种）。正交偏最小二乘判别分析（OPLS-DA）显示两组代谢物簇显著分离（图1A），其中差异最显著的代谢通路涉及：1）脯氨酸/羟脯氨酸代谢（与胶原交联相关）；2）糖胺聚糖降解（影响血管弹性）；3）脂肪酸氧化（能量供应改变）。这些发现为理解血管衰老的分子机制提供了全新视角。

Discussion讨论

本研究首次证明拉曼成像结合先进算法能全面捕捉血管衰老过程中的细胞外基质重塑特征。特别值得注意的是：1）弹性纤维/胶原纤维比例变化与临床常见的血管僵硬度增加直接相关；2）发现的代谢重编程现象（如胶原合成通路激活）为开发抗衰老干预策略（如靶向LOX酶抑制剂）提供了理论依据；3）深度学习模型对亚临床期血管改变的识别能力（AUC>0.98）预示着该技术在早期诊断中的应用潜力。

Conclusions结论

拉曼成像技术配合智能分析算法，不仅能精准识别血管衰老的结构特征，更能揭示其背后的代谢奥秘。这种"无标记、多组分、可量化"的研究范式，有望成为未来病理诊断和抗衰老药物研发的利器——从实验室研究到临床转化，我们正在开启血管健康监测的新纪元。