基于振动光谱法模拟血清分析的慢性肾脏病生物标志物预测研究——中红外(MIR)与近红外(NIR)光谱对肌酐、尿素及白蛋白的定量比较

《Biosensors》：Prediction of Chronic Kidney Disease Based on Simulated Serum Analysis by Vibrational Spectroscopy

　　

开发能够实现快速、频繁且无试剂监测肾功能的新技术被认为具有极其重要的意义。本研究比较了中红外（mid-infrared, MIR）和近红外（near-infrared, NIR）光谱对模拟慢性肾脏病（chronic kidney disease, CKD）五个阶段生化谱的54份血清溶液中三项关键肾脏生物标志物——肌酐（creatinine）、尿素（urea）及白蛋白（albumin）——的预测能力。MIR光谱在简易脱水步骤后于高通量微孔板平台上采集，NIR光谱则使用光纤探头直接自液态血清获取。经评估多种光谱预处理方法及靶向光谱区段后，三项生物标志物均获得优异的回归模型（最优模型R2> 0.9）。MIR对尿素预测精度极高，而经优化的NIR子区间可实现肌酐和白蛋白的优良估算。结合监督分类方法，MIR与NIR均能成功区分健康与患病血清谱，疾病状态识别的受试者工作特征曲线下面积（Area Under the Curve, AUC）> 0.93。上述结果凸显了MIR与NIR光谱在肾脏疾病评估中的互补价值及其整合入即时检测（point-of-care, POC）诊断系统的潜力。

论文解读：《Prediction of Chronic Kidney Disease Based on Simulated Serum Analysis by Vibrational Spectroscopy》（《Biosensors》）

一、研究背景与意义

慢性肾脏病（chronic kidney disease, CKD）全球患病率约10%，进展隐匿且常无症状，多数患者确诊时已发生不可逆肾单位丢失。传统肾功能评估依赖实验室基生化分析仪测定血清肌酐（计算估算肾小球滤过率，estimated Glomerular Filtration Rate, eGFR）和尿素，集中化、耗材依赖强，不适合高频或去中心化监测。既往振动光谱（vibrational spectroscopy）应用于CKD诊断存在局限：多为尿液或非血清基质、单生物标志物独立变化校准、缺乏同时模拟CKD多标志物协变（肌酐与尿素随GFR下降升高，白蛋白因蛋白能量消耗或尿丢失降低）及多阶段分期验证。本研究通过胎牛血清（fetal bovine serum, FBS）模拟健康及CKD 1–5期共六阶段血清谱，同步协变三项核心标志物浓度，系统比较中红外（mid-infrared, MIR）与近红外（near-infrared, NIR）光谱结合化学计量学（chemometrics）对生物标志物定量回归及疾病/分期的监督分类性能，为无试剂、低成本CKD即时检测（point-of-care, POC）提供方法学依据。

二、主要关键技术方法

研究人员配制54份1/5（v/v）水稀释FBS溶液，按CKD-EPI方程设定六阶段（健康+CKD 1–5期）同步协变肌酐、尿素、白蛋白浓度模拟生理协变关系，每阶段9份（含年龄性别差异模拟）。MIR光谱：20 μL样品涂硅微孔板真空脱水2.5 h，Vertex-70透射模式采集4000–400 cm^?1（4 cm^?1分辨率，40次扫描，三重复）。NIR光谱：IN-271P光纤探头（光程2 mm）浸入2 mL溶液，采集12500–4000 cm^?1（8 cm^?1分辨率，32次扫描，五重复）。光谱预处理包括Rubber Band基线校正（Baseline Correction, BC）、标准正态变量变换（Standard Normal Variate, SNV）、单位向量归一化（Unit Vector Normalization, UVN）及Savitzky–Golay一阶/二阶导数（1^st/2^ndderivative, 1D/2D）。采用主成分分析（Principal Component Analysis, PCA）初探数据结构；偏最小二乘回归（Partial Least Squares regression, PLSR）建立三标志物定量模型（五折交叉验证）；随机森林（Random Forest, RF）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）与支持向量机（Support Vector Machine, SVM，径向基核）进行监督二分类（健康vs患病）及六类CKD分期分类（70%训练/30%测试，十次分层抽样，评估AUC、准确率、敏感度、特异度等）。

三、研究结果

3.1 数据模式初探（Data Pattern Search）

对原始MIR与NIR光谱做PCA，得分图显示MIR与NIR区域均能按"健康vs患病"分组分离；NIR光谱PCA还可按CKD六阶段大致分离，表明振动光谱携带CKD进展的分子指纹信息。

3.2 肌酐、尿素及白蛋白浓度的同步预测（Simultaneous Prediction of the Creatinine, Urea and Albumin Concentrations）

MIR全谱PLS模型：尿素预测优（R²=0.97，RMSE=9.98 mg/dL），肌酐中等（R²=0.76→选取1200–1750 cm^?1子区后R²=0.85，RMSE=0.64 mg/dL），全谱及子区均未能建立合格白蛋白模型（子区最佳R²=0.71）。NIR全谱PLS模型：肌酐R²=0.83（RMSE=0.68 mg/dL），第三泛频区（~12500–8400 cm^?1）提升至R²=0.91（RMSE=0.48 mg/dL）；尿素与白蛋白全谱R²>0.90，子区性能相当。NIR整体对三项标志物尤其肌酐和白蛋白优于MIR，MIR对尿素定量最突出。选取MIR 1200–1750 cm^?1子区与NIR第三泛频区做PCA仍保留健康/患病及分期分离趋势，提示可针对窄波段开发低成本微型器件。

3.3 疾病状态与疾病阶段的判别（Discriminating Disease States and Disease Stages）

基于前述优选预处理（MIR：SNV+一阶导数全谱及1200–1750 cm^?1子区；NIR：基线校正全谱及第三泛频区），RF、XGBoost、SVM三分类器均表现优异。健康vs患病二分类：MIR与NIR的AUC≥0.98（最优达0.99），敏感度与特异度>0.98。六阶段CKD分期多分类：MIR AUC≥0.93，NIR AUC≥0.97（全NIR谱最优AUC=0.99，召回率0.87，特异度0.97）。RF总体鲁棒性较好。

四、结论与讨论总结

研究人员指出，MIR经简易脱水可在微升体积实现高通量分析，对尿素预测极佳（R²=0.97，RMSE≈10.0 mg/dL），肌酐中等（子区R²=0.85），白蛋白预测有限；NIR（尤第三泛频区）可直接测液态血清，对肌酐（R²=0.91）、尿素（R²=0.91）及白蛋白（R²>0.90）均建出优秀PLS回归模型。MIR与NIR优选光谱区均支持卓越监督分类——健康与CKD二分类AUC达0.99，六阶段CKD分期NIR AUC最高0.99、MIR最低AUC 0.94。两种振动光谱具互补性：MIR适合高精度尿素定量及微孔板高通量筛查；NIR适合开发低成本便携或POC设备直接测液态血清。此概念验证基于模拟CKD血清多标志物协变设计，后续需在真实患者队列中纳入尿毒症毒素、合并用药、血脂等混杂因素进一步验证。本研究为MIR/NIR光谱整合入CKD筛查与监测POC系统提供了更贴近临床现实的校准设计与性能基准。