《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：SR-FTIR spectroscopy combined with machine learning reveals the alterations of biochemical composition in tendinopathy
编辑推荐：
基于同步辐射傅里叶变换红外光谱与机器学习结合，本研究发现小鼠跟腱炎模型中胆固醇浸润是特征性病理改变，醇羟基C-O特征组对分类贡献最大。
钟少姿|李金涛|陈超|柯海林|李哲|文志成|吴电轩|曾春|陈华斌
广东省骨科医院骨科手术中心运动医学科，南方医科大学第三附属医院，中国广东省广州市中山大道西183号，邮编510630
摘要
肌腱病是一种肌肉骨骼疾病，其特征是细胞外基质的病理性重塑，但其相关的生化变化尚未完全明了。在本研究中，我们使用SR-FTIR微光谱技术来探讨阿基里斯肌腱病小鼠模型中的成分变化。从正常和病变肌腱组织中收集了1330个光谱，波数范围为4000–600 cm?1。我们以各官能团的相对含量作为输入特征，构建了八个经典的机器学习模型用于肌腱病预测。模型评估结果显示，随机森林（Random Forest）模型的分类性能最佳。进一步结合SHAP分析，我们确定醇官能团中的C-O键是对模型分类贡献最大的特征。通过将光谱分析与组织染色相结合，我们确认胆固醇是这种C-O键的分子来源，并将胆固醇浸润确定为肌腱病的特征性病理变化。
引言
肌腱病是一种以疼痛、功能下降和运动耐受力降低为特征的肌肉骨骼疾病。在大多数情况下，它是由反复的过度负荷引起的慢性肌腱损伤所致。肌腱病的发病机制是复杂的多因素过程。在宏观层面上，肌腱病的病理进展包括细胞外基质的重塑，如新生血管形成和神经支配的变化、胶原成分的改变以及异常物质的积累。在微观层面上，这一过程可能涉及细胞生物功能的改变，包括机械理论、炎症理论和凋亡理论。目前关于肌腱病的研究基于基因表达水平，采用了转录组测序、单细胞RNA测序（scRNA-seq）和空间转录组学等先进技术[1]、[2]、[3]、[4]。从物质层面来看，利用代谢组学、蛋白质组学和脂质组学技术来研究肌腱病的成分变化[5]、[6]、[7]。然而，上述所有方法都难以克服其固有的局限性。
先进的细胞基因表达分析可以揭示潜在的生物学变化[8]、[9]、[10]，但mRNA的丰度仅能部分预测蛋白质水平[11]、[12]，尽管基因功能主要依赖于蛋白质[12]。质谱技术通过准确量化分子变化解决了这一问题[13]，但其样品制备过程可能会引入外源性物质，导致潜在的污染、稀释或丢失。
傅里叶变换红外（FTIR）微光谱是一种无需试剂的分析技术，它通过特定官能团的振动来确定化学成分，使其成为生物医学分析的有力工具。越来越多的证据支持其生物医学潜力，不仅能够区分不同的组织，还能识别病理性的生化变化[14]、[15]。它还被证明是一种强大的生物分析工具，能够在细胞或亚细胞水平上探索分子化学[16]、[17]。同时，同步辐射增强型FTIR系统（SR-FTIR）相比传统光源具有更优越的性能，能够实现微米级的空间分辨率和更高的信噪比。在实际应用中，由于光谱数据量大且波数信息复杂，加上外部干扰因素的影响，直接分析光谱往往较为困难。然而，机器学习有效解决了这些挑战。因此，将FTIR光谱信息与机器学习（ML）相结合已成为FTIR光谱检测技术快速发展的关键驱动力。许多研究已成功将这种结合应用于医学诊断，表现出优异的性能[18]、[19]、[20]。结合最新的可解释机器学习模型SHAP（SHapley Additive Explanations），FTIR与ML的结合在基础医学研究中展示了巨大的潜力。然而，据我们所知，目前还没有研究报道FTIR与ML在基础医学研究中的应用。
肌腱病的特点是细胞外基质的重塑。本研究旨在利用SR-FTIR微光谱技术和机器学习来探讨肌腱病中细胞外基质成分的变化，并探索FTIR与ML结合在生物医学研究中的可行性。此外，这项工作为肌腱病的发病机制和病理学研究提供了新的见解。
实验部分
动物模型
从南方医科大学实验动物中心（广州）购买了12只6周大的雄性C57BL/6J小鼠。实验操作遵循已批准的指南，伦理批准代码为K2024-01-167-482。实验小鼠随机分为两组（每组6只）：阴性对照组（Control）和胶原酶诱导的肌腱病组（CIT）。实验性肌腱病是由I型胶原酶（Psaitong，中国）诱导的。
阿基里斯肌腱病小鼠模型的特征
对照组和胶原酶诱导的肌腱病组小鼠的阿基里斯肌腱外观存在显著差异（图1A）。CIT组的肌腱明显肿胀、水肿，并失去了正常的光泽白色外观，而对照组的肌腱则细长且有光泽。此外，CIT组的阿基里斯肌腱横截面直径显著增大（图1B）。
讨论
肌腱病作为一种常见的肌肉骨骼疾病，其病理机制尚未完全阐明。特别是在病理重塑过程中细胞外基质的生化成分变化仍是一个重要的科学问题。本研究利用同步辐射傅里叶变换红外（SR-FTIR）光谱技术和机器学习系统，系统地研究了小鼠细胞外基质的结构和成分变化。
结论
随着人工智能（AI）的不断发展，多种技术在跨学科应用中展现了强大的潜力。FTIR技术与机器学习的结合不仅能够有效处理大量光谱数据，还能够全面深入地分析通过红外光谱检测到的组织中的动态生化变化，为解决科学问题提供了新的视角。
作者贡献声明
钟少姿：概念构思、监督、研究设计、数据管理、方法学、数据可视化、软件开发、初步数据分析、撰写——原始稿件；撰写——审稿与编辑。李金涛：概念构思、监督、验证、数据可视化、方法学、项目管理。陈超：研究设计、数据管理、验证。柯海林：研究设计、方法学。李哲：研究。文志成：验证。吴电轩：数据管理。曾春：项目管理。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了以下资金支持：广东省重点临床研究项目（编号：2026P-ZD040）、广东省自然科学基金（编号：2022A1515011101、2024A1515011231）、广东省基础与应用基础研究基金（编号：2022A1515110910）、广东省医学科学研究基金（编号：A2023105）、南方医科大学第三附属医院院长基金（编号：YQ2021009）。
