提升对不同宿主来源微孢子虫孢子的识别能力：单细胞拉曼光谱与自注意力机制驱动的卷积神经网络相结合的方法

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Boosting identification of microsporidian spores originating from different hosts: single-cell Raman spectroscopy combined with self-attention mechanism–driven convolutional neural network

　　

摘要

微孢子虫是一类特殊的细胞内寄生虫，它们寄生于多种宿主体内，对农业生产构成严重威胁。因此，准确识别微孢子虫对于控制与之相关的农业疾病至关重要。然而，传统的识别方法存在灵敏度低、操作具有破坏性以及预处理复杂等局限性。我们提出了一种先进的识别平台，该平台将单细胞拉曼光谱技术与基于自注意力机制（SAM）的卷积神经网络架构相结合，能够以单细胞分辨率水平，便捷、无损且高精度地识别来自11种不同宿主来源的微孢子虫孢子。鉴于所获得的微孢子虫孢子难以培养，我们提出了基于插值算法的光谱移位方法，以此大幅扩大单细胞拉曼光谱数据集的规模，从而避免因使用少量原始光谱数据而导致的过拟合问题。得益于SAM与光谱增强的协同作用，从11种不同宿主中识别微孢子虫孢子的平均预测准确率可从单一最优CNN模型给出的88.17%?±?1.05%显著提升至SAM驱动的CNN架构所实现的95.16%?±?1.61%。为确定哪些光谱特征有助于实现如此高的预测准确率，我们通过SAM曲线系统地提取了全局光谱特征。位于541、718、915和1081 cm^?1处的四个关键拉曼谱带被认定具有极高的权重，分别为0.60、0.85、0.61和0.6。此外，我们还采用了另一种名为“阻断单个拉曼谱带”的分析方法，用以研究各特征谱带的局部分类权重。其中，位于915、718、1081和1458 cm^?1处的四个关键拉曼谱带对实现高预测准确率起到了重要作用。有趣的是，通过该方法得到的局部特征权重与SAM曲线提取的全局特征几乎一致，这表明我们所提出的识别方法具有可靠性。可以预计，将单细胞拉曼光谱技术与SAM驱动的CNN架构相结合的这一综合平台，将为识别各种寄生宿主体内的微孢子虫孢子提供精准的单细胞级分析方法。