基于血清红外光谱与机器学习早期检测妊娠期糖尿病和子痫前期的研究

《Microchemical Journal》：Early detection of gestational diabetes and preeclampsia through human maternal serum spectral profiling: a machine learning combined ATR-FTIR approach

　　

摘要 背景：子痫前期（Preeclampsia, PE）和妊娠期糖尿病（Gestational Diabetes Mellitus, GDM）是两种常见且严重的妊娠并发症，通常在病程晚期才被诊断，此时病理改变已经确立。因此，识别早期、非侵入性的生物标志物对于改善妊娠结局至关重要。本研究提出一种结合衰减全反射傅里叶变换红外（ATR-FTIR）光谱与机器学习的新方法，用于早期预测GDM和PE。 方法：研究人员开展了一项横断面研究，共纳入105名孕妇。在妊娠早期（孕8-10周）和晚期（孕31-36周）采集血清样本。根据最终妊娠结局将受试者分为对照组（CTRL）、GDM组和PE组。使用ATR-FTIR光谱仪获取血清样本的红外光谱，并通过偏最小二乘判别分析（PLS-DA）、K近邻（KNN）和随机森林（RF）三种监督式机器学习算法进行分类建模。 结果：研究发现，结合ATR-FTIR光谱与机器学习能够有效区分GDM、PE患者与健康孕妇。值得注意的是，在妊娠早期的血清样本中即可检测到与PE相关的可分辨光谱变化。曲线拟合分析表明，GDM和PE会导致血清中蛋白质、脂质和碳水化合物相关信号发生改变。 结论：ATR-FTIR光谱技术提供了一种快速、无需标记的工具，可用于母体妊娠风险分层，有望实现对GDM和PE的早期筛查。

一、 研究背景与目的

妊娠期糖尿病（Gestational Diabetes Mellitus, GDM）和子痫前期（Preeclampsia, PE）是两种最常见的严重妊娠并发症，对母婴健康构成重大威胁。GDM以孕期首次出现或发现的糖耐量异常为特征，源于激素和代谢变化导致的胰岛素敏感性受损。而PE则是一种妊娠期特有的高血压疾病，其核心病理机制被认为是早期滋养细胞侵袭不足，导致螺旋动脉重塑不良、胎盘缺血缺氧，进而引发氧化应激、炎症反应及内皮功能障碍。

临床上，这两种疾病的诊断通常较晚。GDM的标准筛查一般在孕24至28周通过口服葡萄糖耐量试验（Oral Glucose Tolerance Test, OGTT）进行；PE的诊断则主要依赖于孕20周后出现的高血压、蛋白尿等临床症状。当这些症状显现时，疾病的病理生理过程往往已经进展到相当阶段，治疗选择仅限于对症处理或提前终止妊娠。因此，寻找能够在孕早期（甚至在临床症状出现之前）就能识别高危人群的生物标志物，对于实施早期干预、改善妊娠结局具有至关重要的意义。

孕妇血清是一个复杂且易于获取的生物样本，其生化组成反映了机体的全身代谢状态。在妊娠早期，尽管临床征象缺如，但与胎盘功能障碍或代谢失调相关的微妙生化改变可能已经在母体循环中发生。衰减全反射傅里叶变换红外（Attenuated Total Reflectance-Fourier Transform Infrared, ATR-FTIR）光谱技术是一种强大的分析工具，能够快速、无标记地提供生物样本的“生化指纹图谱”，捕捉到可能在临床表现之前就已出现的大分子组成变化。基于此，本研究旨在探索将ATR-FTIR光谱技术与机器学习相结合，作为一种新型、快速的方法，用于在孕早期预测GDM和PE的发生。

二、 关键技术方法

1. 1.
   研究设计与样本队列：这是一项横断面研究，招募了105名孕妇。根据最终的妊娠结局，将研究对象分为三组：正常妊娠对照组（CTRL）、妊娠期糖尿病组（GDM）和子痫前期组（PE）。血清样本在妊娠早期（孕8-10周，记为Trimester I）和妊娠晚期（孕31-36周，记为Trimester III）两个时间点采集。样本来源于意大利IRCCS Humanitas Research Hospital。
2. 2.
   ATR-FTIR光谱采集：使用配备金刚石晶体的铂金ATR附件，耦合Bruker INVENIO-R干涉仪和氘化三甘氨酸硫酸盐（DTGS）检测器，在4000-600 cm^-1范围内采集血清样本的红外光谱。原始光谱经过大气校正、矢量归一化、基线校正等预处理。
3. 3.
   机器学习分类模型：采用三种监督式分类算法对预处理后的光谱数据进行建模和分类，包括：偏最小二乘判别分析（Partial Least Squares-Linear Discriminant Analysis, PLS-DA）、K近邻（K-Nearest Neighbors, KNN）和随机森林（Random Forest, RF）。数据集按80%/20%的比例随机划分为训练集和测试集。
4. 4.
   光谱分析与曲线拟合：为了量化不同组别间血清光谱的差异，研究人员计算了各组平均光谱，并在特定波数范围（1780-1480 cm^-1 和 1480-600 cm^-1）内进行高斯曲线拟合。通过计算特定子峰面积与总面积的比值（如A₁₆₅₈/A_TOT1等），作为反映蛋白质二级结构、脂质、碳水化合物等成分变化的谱学参数。

三、 研究结果

• •
  血清ATR-FTIR光谱能够区分GDM、PE与健康妊娠：通过PLS-DA、KNN和RF三种机器学习模型的分类分析，结果表明，基于ATR-FTIR光谱数据能够有效地区分来自不同妊娠结局（CTRL、GDM、PE）的孕妇血清样本，特别是在妊娠晚期。这表明光谱中包含与疾病状态相关的生化信息。
• •
  子痫前期（PE）的光谱变化在妊娠早期即可检测到：一个关键的发现是，即使在妊娠早期的血清样本中，机器学习模型也能成功地将未来会发展为PE的孕妇与健康对照区分开来。这提示与PE相关的分子水平改变在妊娠极早期就已经发生，为早期预警提供了可能性。
• •
  GDM和PE改变了血清中蛋白质、脂质和碳水化合物的光谱信号：通过对光谱进行详细的曲线拟合分析，研究人员发现，与对照组相比，GDM和PE组的血清光谱在多个波段上存在显著差异。具体而言，涉及酰胺I带（~1658 cm^-1，代表蛋白质二级结构）、酰胺II带（~1546 cm^-1，代表蛋白质）、脂质相关峰（~1451 cm^-1，~1399 cm^-1）以及碳水化合物/磷酸化化合物相关峰（~1031 cm^-1，~835 cm^-1）的面积比发生了显著变化。这些结果证实了两种疾病均伴随着血清大分子组成的系统性改变。

四、 结论与意义

讨论部分总结：本研究的结果有力地证明了ATR-FTIR光谱技术作为一种快速、无标记工具，在孕早期识别GDM和PE高风险孕妇方面的巨大潜力。通过在常规产检中整合这种基于光谱的筛查方法，有望实现对这些严重妊娠并发症的更早干预和管理，从而改善母婴健康结局。研究中使用的机器学习模型进一步增强了光谱数据的判别能力，使其能够捕捉到肉眼无法识别的细微生化差异。

研究结论：本研究提出的结合ATR-FTIR光谱和机器学习的创新方法，能够有效地从孕妇血清样本中早期预测GDM和PE的发生。该方法不仅速度快、无需标记，而且能够揭示与疾病相关的潜在分子变化。这项研究的成果有望转化到临床试验中，对预防妊娠相关并发症产生积极影响。