傅里叶变换红外光谱结合机器学习技术揭示了区分子宫内膜异位症三种表型的分子特征

《Analytical Biochemistry》:FTIR Spectroscopy Combined with Machine Learning Reveals Molecular Signatures Distinguishing three Phenotypes of Endometriosis

【字体: 大 中 小 】 时间:2026年01月06日 来源:Analytical Biochemistry 2.5

编辑推荐:

  基于傅里叶变换红外光谱(FTIR)和机器学习算法,本研究通过比较肠道、卵巢和腹膜子宫内膜异位症的光谱特征,发现脂质和碳水化合物的振动模式随疾病进展显著增加,其中1752 cm?1的酯C=O振动带是区分三种表型的重要分子标记。

  
Piotr Olcha | Wies?aw Paja | Micha? K?pski | Krzysztof Pancerz | Bartosz Klebowski | ?ukasz Nowakowski | Krzysztof Ga?czyński | Joanna Depciuch
卢布林医科大学妇产科与妇科内分泌学系,波兰卢布林20-049

摘要

子宫内膜异位症是一种慢性炎症性疾病,其特征是子宫内膜组织在子宫外生长,导致盆腔疼痛和不孕。由于诊断延迟和治疗效果有限,该疾病仍然是女性健康面临的主要挑战。子宫内膜异位症具有异质性,主要表现为三种表型:浅表性腹膜病变、卵巢子宫内膜异位囊肿和深部浸润性子宫内膜异位症,其中后者在分子水平上仍知之甚少。本研究采用傅里叶变换红外(FTIR)光谱技术与机器学习相结合的方法,探讨了这些表型之间的生化差异。光谱分析显示,与脂质和碳水化合物相关的振动频率从卵巢异位症到肠道异位症逐渐增加,在腹膜异位症中最为明显。这些发现表明脂质和碳水化合物组成存在表型特异性改变。通过Boruta特征选择算法,确定了用于成对分类的区分性光谱区间。关键信号包括蛋白质、脂质和碳水化合物的振动,如C=O和C–O伸缩以及N–H弯曲。在完整光谱和经Boruta处理后的数据集上训练了多种机器学习模型(深度学习(DL)、支持向量机(SVM)和极端梯度提升(XGBoost)。扩展到三类分类时,Boruta选定的特征能够实现对所有表型的有效区分。决策树分析表明,1752 cm?1处的酯类C=O吸收带是区分不同表型的关键标志物。总体而言,傅里叶变换红外光谱技术与机器学习的结合为子宫内膜异位症的分子机制提供了宝贵的见解,是区分其临床表型的有力工具。

引言

子宫内膜异位症是一种慢性、系统性、雌激素依赖的炎症性疾病,其特征是子宫内膜样腺体和基质组织出现在子宫腔外。异位病灶仍对激素有反应,会经历增殖、分化和出血,从而引发慢性炎症、纤维化、粘连形成和器官功能障碍[1]。根据世界卫生组织的最新估计,全球约有10%的育龄妇女患有子宫内膜异位症,实际患病率可能更高,因为存在大量漏诊情况[2]。在不孕症患者中,子宫内膜异位症的发病率高达40-50%[3]。除了临床影响外,该疾病还带来了显著的心理社会和经济负担,降低生产力,损害心理健康并降低整体生活质量[4]。 从临床角度来看,子宫内膜异位症主要表现为三种表型:浅表性腹膜病变、卵巢子宫内膜异位囊肿和深部浸润性子宫内膜异位症[5]。深部子宫内膜异位症是最严重和复杂的类型,常累及邻近的盆腔器官,如肠道、膀胱和输尿管。大约20%的子宫内膜异位症患者会出现这种情况[6],而孤立的深部子宫内膜异位症(无浅表或卵巢病变)相对较少见,仅占6-7%[7]。其发病机制涉及遗传、表观遗传、免疫和环境因素的综合作用。最新研究表明:免疫失调和异常的炎症反应、孕酮抵抗性、芳香化酶活性紊乱、凋亡和增殖信号通路异常、干/祖细胞的招募以及与侵袭性增强的体细胞突变和表观遗传重塑[8, 9, 10]。深部子宫内膜异位症病灶具有独特的分子特征,包括较高的侵袭性、基质金属蛋白酶和激活素的表达升高,以及由神经生长因子(NGF)和血管内皮生长因子(VEGF)介导的神经血管生成增加,这解释了其更严重的临床表现和更强烈的疼痛症状[11]。此外,最近的研究强调了与成纤维细胞分化和纤维化相关的表观遗传途径在深部子宫内膜异位症中的核心作用[12]。尽管高分辨率超声和磁共振成像等成像技术有所进步,但诊断延迟仍然普遍存在,全球平均时间为7-10年[13]。当前的研究重点在于寻找非侵入性生物标志物,包括循环microRNA、蛋白质组学和代谢组学分析、免疫特征以及细胞外囊泡研究[14]。近年来,基于机器学习的分子光谱技术与人工智能相结合取得了令人鼓舞的结果,能够检测到与疾病进展相关的独特生化特征[15]。这些数据驱动技术的整合有望加速诊断、实现个性化治疗策略、改善患者分层,并最终提高生活质量。 傅里叶变换红外(FTIR)光谱技术是一种强大的振动光谱技术,能够无标记、无损地探测生物样本的分子组成[16]。通过测量特定波长的红外光吸收,FTIR可以提供关于功能基团振动模式的信息,从而识别复杂生物基质中的蛋白质、脂质、核酸和碳水化合物[17]。其对细微生化变化的高敏感性使FTIR光谱成为生物医学研究中的重要工具,尤其在妇科领域得到了广泛应用,用于疾病诊断、分类和监测[18, 19]。 本研究的目的是利用FTIR光谱技术与机器学习方法,比较肠道、卵巢和腹膜子宫内膜异位症的光谱特征,以识别区分这些类型的关键分子振动和生物分子群,从而更深入地了解驱动疾病进展的生化机制。
材料
共招募了66名计划接受子宫内膜异位症手术治疗的患者,并根据疾病表型将其分为三组:浅表性腹膜子宫内膜异位症(26例)、卵巢子宫内膜异位症(9例)和深部肠道子宫内膜异位症(31例)。所有样本均来自卢布林第一临床军事医院妇产科子宫内膜异位症中心进行的择期腹腔镜手术。
FTIR测量
在进行FTIR测量前,将冷冻标本切成约10 μm厚的薄片,并将其固定在氟化钙(CaF?)载玻片上。为考虑样本内的变异,从每个组织样本的不同区域记录了三个独立的光谱。使用配备钻石衰减全反射(ATR)附件的Nicolet iS50光谱仪获取FTIR吸收光谱,测量范围为400–4000 cm?1。
结果
本研究采用傅里叶变换红外(FTIR)光谱技术与机器学习相结合的方法,研究了子宫内膜异位症组织的分子组成,并分别比较了肠道、卵巢和腹膜子宫内膜异位症之间的差异。通过分析脂质、蛋白质和碳水化合物的振动光谱,我们试图识别与疾病进展和表型分化相关的关键分子特征。
讨论
本研究旨在探讨利用FTIR与机器学习算法区分子宫内膜异位症三种表型的可能性。首先对各种表型进行了两两比较,最终确定了一个可用于区分所有三种表型的光谱标志物。 结果表明,在区分肠道与腹膜子宫内膜异位症以及卵巢与肠道子宫内膜异位症时,某些振动特征具有显著差异。
结论
本研究证明,傅里叶变换红外光谱技术与机器学习的结合为区分肠道、卵巢和腹膜子宫内膜异位症提供了有效方法。光谱分析显示,脂质振动特征(尤其是1749–1752 cm?1处的酯类C=O伸缩带)随疾病进展而增强,在腹膜子宫内膜异位症中变化最为明显。在测试的机器学习模型中,深度学习方法(TabPFN)和XGBoost表现最佳。
CRediT作者贡献声明
Wies?aw Paja:方法学、数据分析。 Micha? K?pski:方法学、数据分析。 Joanna Depciuch:初稿撰写、数据可视化、项目监督、方法学设计、概念构建。 Piotr Olcha:初稿撰写、数据验证、方法学设计、概念构建。 Bartosz Klebowski:数据整理。 ?ukasz Nowakowski:方法学研究。 Krzysztof Pancerz:方法学研究。 Krzysztof Ga?czyński:方法学研究。
利益冲突声明
作者声明没有已知的可能影响本文研究的财务利益或个人关系。
数据获取
支持本研究结果的数据可向通讯作者索取。
资助情况
本研究未获得任何资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号