CASCADE：面向生物拉曼指纹光谱的连续小波变换-Adam梯度下降自动峰拟合与分解引擎

《Analyst》：CASCADE: continuous wavelet transform-Adam spectral curve-fitting and decomposition engine for bio-Raman peak fittingOpen Access

组学技术已经改变了生物学，但这些技术本质上具有破坏性、静态性，且与活体系统中的纵向测量不兼容。拉曼指纹光谱（Raman fingerprint spectroscopy）作为一种非破坏性组学替代手段具有独特价值。宽带相干反斯托克斯拉曼散射（broadband coherent anti-Stokes Raman scattering，BCARS）以可与转录组学相当的信息密度揭示蛋白质、脂质与代谢物的协调生化变化，具备亚细胞空间分辨率与毫秒级采集时间。尽管拉曼光谱特征与基因程序活性之间存在强烈且已被广泛证实的相关性，可泛化的解释模型仍然难以建立。开发此类模型的核心障碍在于，原始光谱强度对于可迁移的机器学习是较差的基质；基线伪影与仪器相关偏移可能主导生物学上有意义的变异。可泛化的推断要求运算于物理上有意义的峰参数空间，这些参数具有稳定性、化学可解释性与仪器无关性。利用拉曼光谱，单个峰可由其振幅、位置与宽度参数定义。在此，研究人员介绍CASCADE（CWT-Adam光谱曲线拟合与分解引擎，CWT-Adam Spectral Curve-fitting and Decomposition Engine），这是一种自动化流程，可将拉曼指纹高光谱图像转换为逐像素的定量峰参数表征，结合连续小波变换（continuous wavelet transform，CWT）初始化与物理约束的Adam梯度下降。在具有已知真值的合成数据集上验证表明，在宽范围的噪声水平与峰分离度下，F1分数超过80%，位置精度优于0.5 cm^?1，振幅误差低于10%。将CASCADE应用于分化神经母细胞瘤细胞（neuroblastoma cells）的BCARS图像，揭示了平均光谱中无法显现的具备空间分辨性的代谢特征。CASCADE建立了从原始指纹光谱到峰参数空间的快速可靠翻译，为研究人员和机器学习实现基于拉曼的生物学推断的光谱解释提供客观的共同语言。

组学技术通过定量、系统层面的测量深刻改变了对细胞状态的理解，然而每种成熟模态仅捕捉生化景观的一个片段：转录组学测量基因表达而不反映蛋白质或代谢物丰度，蛋白质组学与代谢组学虽提供互补视角却需破坏性样本制备，难以与活体系统的空间或时间分辨率相结合。拉曼指纹光谱在这一格局中占据独特而尚未被充分开发的位置，其指纹区（400–1800 cm^?1）同时编码蛋白质、脂质、核酸与代谢物的振动模式，以单次无标记采集实现对主要生化组分的无偏调查，本质上是一种多组学测量。过去二十余年中逾万项研究将拉曼光谱变化与有意义的生物学变化相关联，近期工作更表明其信息密度可与成熟组学方法比肩，但两个障碍使拉曼光谱仍局限于小众应用。其一，自发拉曼散射在生物样本中本质微弱，长采集时间无法匹配生物相关尺度的成像；其二，将光谱转化为生物学洞见需高度专门知识，不存在可扩展、可转移的通用框架。指纹相干拉曼成像（fingerprint coherent Raman imaging，fCRI）等模态（如BCARS）已借非线性光学放大将全指纹谱与CH伸缩谱采集压缩至约每像素1毫秒，且共现的非共振信号提供内在校准参考，可生成现代机器学习所需的大容量一致光谱数据库。本文针对第二个障碍提出解决之道：为普通用户与分析流水线（含机器学习）提供稳定、物理有意义、仪器无关的表征，即可泛化的降维框架须运行于峰参数空间——每个峰由振幅、位置、宽度三参数定义——将原始光谱转换为化学特异性、物理基础且可与仪器背景分离的峰集合。传统最小二乘拟合（以Levenberg–Marquardt算法，LM为代表）严重依赖初始估计质量，初始化不良常收敛至局部极小并导致错误峰分配与有偏定量；LM类二阶方法还需每轮迭代计算并求逆海森矩阵（Hessian matrix），对含数十个重叠峰的复光谱计算代价难以承受。傅里叶自卷积（Fourier self-deconvolution，FSD）对噪声高度敏感且易引入伪影；连续小波变换类方法需审慎选择基函数与分解层级，选择不当会导致真实窄峰过平滑或噪声滞留；非负矩阵分解（NMF）与多元曲线分辨（MCR）不直接提供峰级信息且组件选择依赖主观专家判断。尤为关键的是，上述方法均缺乏客观标准以评估所识别峰的可靠性，而处理高光谱图像中数十万条光谱时主观输入不可持续。为此，研究人员提出CASCADE：以四阶Lorentzian小波（Lorentz4）的连续小波变换跨多尺度系统探测光谱，提供稳健的峰位置与宽度初始估计，再以物理约束的自适应矩估计（Adaptive Moment Estimation，Adam）梯度下降同步优化全部峰参数。合成数据验证显示，在宽噪声与峰分离度范围内F1分数超过80%、位置精度优于0.5 cm^?1、振幅误差低于10%；应用于分化神经母细胞瘤细胞的BCARS图像时揭示平均光谱中不可见的代谢特征。该研究建立了从原始指纹光谱到峰参数空间的快速可靠翻译，为光谱解释提供客观共同语言，使可泛化的拉曼生物学推断对研究人员与机器学习 alike成为可能。

关键技术方法概括：研究人员以完全已知真值参数构建合成拉曼基准数据集，每条光谱生成为N_p个伪Voigt（pseudo-Voigt）峰之和，Lorentzian宽度固定为5，高斯宽度在固定范围内随机变化（因常见信噪比下无法独立区分高斯与Lorentzian分量），振幅在对数尺度采样，加入零均值高斯白噪声，相邻峰间距由可分离性约束Δμ_i,i+1 = S_eff(1 + β log₁₀ r)控制，β固定为0.35。CASCADE三阶段流程为：CWT初始化在20个线性间隔尺度（宽度3–60 cm^?1）上经快速傅里叶变换（FFT）卷积计算响应张量，以符号变化与凹性条件检测候选峰并贪婪抑制冗余；Adam优化以PyTorch实现，用Thompson-Cox-Hastings伪Voigt模型最小化残差平方（余弦衰减学习率加预热），施加振幅、位置、宽度的盒式约束并将梯度范数裁剪至单位范数；通过Hungarian匹配算法配对真值峰，计算精确度、召回率、F1分数与三类参数误差，并与经典LM在理想、真实、差三种条件直接对比。实验队列来源为15 μM全反式视黄酸（all-trans retinoic acid，ATRA）处理五天诱导分化的小鼠Neuro2A神经母细胞瘤细胞（附未分化对照），BCARS高光谱图像经CellposeSAM基于1450 cm^?1对比度完成细胞分割。

研究结果如下。计算效率方面，三种硬件（仅CPU、中端GPU、高端GPU）在相同容差阈值下检出峰数无显著差异；容差降至10^?3以下性能增益趋缓而代价陡增；66 000个光谱的图像在CPU上约40分钟、中端GPU约2分钟、高端GPU约1分钟完成，GPU上Adam拟合时间占比由约96%降至约42%–50%。与LM优化对比方面，理想零噪声高分离度下三者相当（F1 ≥ 0.95）；真实条件下LM即使以CASCADE的CWT初始值为种子亦中位数慢7倍（13.8 ± 15.7秒对1.4 ± 0.1秒），传统初始化下LM每谱需76.8 ± 25.8秒（约56倍减速）且仅17%收敛；差条件下LM慢约25倍、收敛率67%，LM耗时在相似参数量下波动剧烈（不足1秒至逾40秒），凸显不可预测性。理想条件（无噪声、w_eff 2.0–2.5）下平均精确度1.00 ± 0.005、召回率1.0 ± 0.013、F1 1.00 ± 0.008，假阳性与假阴性计数接近零；差条件（噪声0.10、w_eff 0.5–0.8）下F1仅0.1 ± 0.06，大量虚假峰源于噪声检测，算法失效；BCARS典型条件（噪声0.015、分离度1.0–1.5）下平均精确度、召回率、F1均约0.8 ± 0.1。参数扫描表明，维持平均精确度与召回率高于0.80的噪声阈值约为0.015（对应主峰约65:1信噪比，signal-to-noise ratio，SNR），此时相对振幅误差低于0.1、中心误差≤0.65 cm^?1、形状均方根误差（root-mean-square error，RMSE）约0.1；无噪声下分离度1.4为阈值，低于此值F1下降且中心误差骤增，而相对振幅误差因算法对峰高的有效识别在大多数分离度下保持较低。实验应用方面，未分化队列平均光谱蛋白质条带（α螺旋C–C伸缩935 cm^?1、酰胺III 1250 cm^?1、酰胺I 1655 cm^?1）显著升高，符合增殖性神经母细胞瘤高翻译需求；分化队列脂质峰（C–C骨架伸缩1130 cm^?1、CH₂扭曲1300 cm^?1、CH₂弯曲1450 cm^?1、C═C伸缩1585 cm^?1）上升，反映轴突延伸所需膜重建；苯丙氨酸环呼吸（1004 cm^?1）与核酸O–P–O（786 cm^?1）参考峰基本不变，确认光谱反映真实的生化重组而非光学伪影。CASCADE在1176 cm^?1处发现最显著峰，未分化队列上调4.17 log₂（18倍），空间分布跨细胞并在核区放大，与核酸定位一致；888 cm^?1峰于分化细胞富集2.1 log₂，空间分析显示其定位于胞质，提示脂质产生支持轴突延伸——此信号在整体平均光谱中被邻近蛋白振动模式的叠加信号掩盖。统计学评估采用Fisher精确检验（Fisher's exact test）评估峰存在率差异、Mann–Whitney U秩和检验（Mann–Whitney U test）比较振幅分布、共同语言效应量（common-language effect size）量化分离程度、Fisher合并概率法（Fisher's combined-probability method）整合双轴证据，并以Benjamini–Hochberg法控制错误发现率（false discovery rate，FDR）。

讨论部分指出，CWT-Adam方法具三大优势：CWT提供稳健自动初始化，无需人工选峰或启发式阈值即可识别多种线宽的峰，并内在滤除无特征拉曼线形的噪声与背景，消除常规最小二乘法对初始化敏感的缺陷；物理约束防止优化器落入振幅为负或宽度趋零等数学有效而物理荒谬的参数组合，对重叠峰尤为关键；梯度下降的线性扩展（对比海森求逆的三次扩展）赋予方法优异的性能-成本比，可处理每光谱数十峰、每图像数千光谱的大型数据集。关键阈值0.015噪声与1.0–1.5半高全宽（full width at half maximum，FWHM）峰心分离度在优化良好的BCARS与典型生物成像条件下普遍可达。局限与失效模式方面，峰堆叠时方法无法区分彼此，高噪声下噪声特征被误判为峰，此为所有峰拟合理法共同面对的挑战；最小间距约束建立根本分辨率限制，真正间距小于d_min的峰无法区分，该约束在其他预期峰宽小于间距约束的系统中需调整。未来方向包括纳入已知生物峰基组作为Adam初始猜测、开发比卷积工具更强的去噪、将小波库与约束适配至HPLC与质谱（mass spectroscopy）峰建模，以及将分解所得成分作为机器学习基础以训练自动化峰鉴定模型；每次拟合运行均生成带已知真值的现实光谱，可与背景噪声重组为幻影数据集以优化光谱处理流程。

研究结论部分翻译如下：CASCADE是面向生物拉曼光谱的新型自动化峰拟合算法，结合连续小波初始化与物理约束的梯度下降优化。利用具有已知真值的合成数据集进行的全面验证确立了其在现实噪声与峰分离度下的优异性能：噪声水平0.015、峰中心分离度为1.0至1.5倍峰FWHM时，F1分数超过80%，位置精度优于0.5 cm^?1，振幅误差低于10%。低于该噪声阈值时，噪声引起的伪影占主导；低于该分离度阈值时，峰中心识别不可靠；高于这些阈值时，算法稳健地识别并表征Voigt峰。应用于真实BCARS高光谱图像时，CASCADE可快速拟合数千个光谱且误差有限，定量分析揭示未经处理数据中不可见却符合预期代谢模式的生物学规律。稳健初始化、物理信息约束与全面验证的结合确立了CASCADE作为定量拉曼光谱强大工具的地位，源代码已公开提供以促进应用。