来自中信湘雅医院团队的一项最新研究表明，使用拉曼光谱和深度学习分类模型，能够检测D3胚胎培养基，并预测D3卵裂期胚胎到囊胚期的发育潜力，总体准确率达到73.53%，整体精度接近到74%，敏感性为77.78%，特异性为 72%；预测交付的总体准确性为 80.5%，敏感性为 85.7%，特异性为80%。
相关研究成果以“Non-invasive Metabolomic Profiling of Embryo Culture Medium Using Raman Spectroscopy With Deep Learning Model Predicts the Blastocyst Development Potential of Embryos”为题，发表在《Frontiers in Physiology》上。
该研究基于拉曼光谱技术实现无创预测胚胎发育潜力，利用拉曼光谱表征第3天（D3）胚胎培养液的代谢谱，并建立了基于深度学习的分类模型，实现了区分能否发育至囊胚期的胚胎样本。
该研究结合了拉曼光谱和深度学习分类模型，基于胚胎培养液可以预测D3卵裂期胚胎到囊胚期的发育潜力，成囊预测准确度达到73.53%，开发了一种快速、可靠、无创的胚胎成囊评估方法，并首次报道了在拉曼光谱中，发现了RNA特有的核糖振动，
研究团队收集了来自34例患者的80个囊胚和48个非囊胚样本的拉曼谱数据，综合模型预测准确度可达73.53%，并通过线性判别方法得出可发育至囊胚和不可发育至囊胚样本之间的主要不同是在拉曼频移位置863.5、959.5、1008、1104、1200、1360、1408和1632cm-1。
首先，研究人员应用拉曼光谱技术检测体外培养到第三天（D3）的胚胎的废弃培养液，并使用了深度学习模型学习处理后的相关拉曼数据，用以预测胚胎的成囊率。通过比较成囊胚胎的培养液和未成囊胚胎的培养液的拉曼光谱，能够看出在一些峰的Intensity上有细微差别。而使用PCA无监督聚类能够有效地区分成囊的胚胎培养液和未成囊的胚胎的培养液。
拉曼光谱、无监督聚类和主成分分析
在该研究中，深度学习模型的敏感性为77.78%，特异性为72%，准确度为73.53%，以上这些数据说明可以较好地区分两组样本。
深度学习模型结果
其次，该研究首次发现了D3胚胎成囊相关的生物标志。研究人员发现了8个废弃胚胎培养液中和胚胎成囊率相关的生物标志，拉曼位移分别为863.5cm-1、959.5 cm-1、1008 cm-1、1104 cm-1、1200 cm-1、1360 cm-1、1408 cm-1和1632 cm-1。相应地，与这些生物标志对应的基质分别为RNA、HA磷酸盐、胆固醇、苯环、苯丙氨酸蛋白、核酸和磷酸盐、色氨酸、免疫球蛋白G和酰胺I。
基于线性判别分析 (LDA) 的拉曼位移
除了以上研究之外，研究人员发现拉曼还可用于新冠病毒以及癌症的检测。拉曼不仅可以有效区分受新冠感染的阴性和阳性样本，还能鉴别假阴性样本，因而，拉曼研究有望为新冠病毒检测提供一种快速、有效且低成本的方式。值得一提的是，拉曼光谱还能快速有效识别癌细胞，帮助医生判定病变部位，进而提高手术准确度。同时，与原本检测手段相比，拉曼技术检测成本较低。
综上，研究表明，拉曼光谱在无创胚胎检测方面具有很大的潜力，提供了一种低成本、高质量的第三天胚胎检测手段。更重要的是，这种方法还有效解决了胚胎形态学评估检测技术评分系统标准不统一、易受观察者主观影响等缺点以及胚胎植入前遗传学筛查技术在推广应用上的价格瓶颈、胚胎有创的影响，从技术创新到应用理念都具有突破性和创新性。同时，它还有助于患者提前选择植入胚胎或者暂时冷冻胚胎，对植入前胚胎的临床研究和发展意义重大。
研究团队相信，未来拉曼光谱的潜力是巨大的。期待拉曼光谱在更多医药领域方面的应用，造福人类。
首页
