王 璞， 何明霞*， 李 萌， 曲秋紅， 劉 銳， 陳永德

1. 天津大學(xué)測試計量技術(shù)及儀器國家重點實驗室， 天津 300072 2. 萊儀特太赫茲(天津)科技有限公司， 天津 300019 3. 天津科技大學(xué)食品工程與生物技術(shù)學(xué)院， 天津 300222 4. 百德福生物科技有限公司， 河北 唐山 063000

引 言

生物活性肽是一類分子介于蛋白質(zhì)和氨基酸之間， 由多種氨基酸以一定方式結(jié)合而成的二肽到多肽， 具有一定生理作用的低分子聚合物[1]。 生物活性肽相比于單個氨基酸， 更容易且更有效被人體吸收， 適合于年老體弱， 過敏體質(zhì)的人群。 相比于蛋白質(zhì)生物大分子， 能夠發(fā)揮其整體結(jié)構(gòu)所不具有的特殊功能。 具有降低血壓， 抗衰老， 促進(jìn)消化吸收及提高自身免疫調(diào)節(jié)能力等作用。 在功能食品， 藥品， 疫苗制備等食品學(xué)和醫(yī)學(xué)領(lǐng)域有著廣泛的應(yīng)用。 因此對它們的檢測一直是國內(nèi)外學(xué)者研究的重點。 目前國內(nèi)外主要應(yīng)用的分析方法為色譜法， 質(zhì)譜法， 核磁共振光譜[2]。

太赫茲(Terahertz, THz)輻射是指波長在0.03～3 mm之間， 頻率在0～10 THz， 介于紅外和微波之內(nèi)的光譜[3]。 THz波具有很好的透過性和特征光譜性質(zhì)， 運用其特性可以進(jìn)行物質(zhì)非接觸式鑒別。 多肽有其特定的氨基酸組成， 且相互之間有電偶極矩， 使其易受到太赫茲波段作用。 Kutteruf[4]等通過改變溫度， 得到固相短肽鏈的THz吸收光譜吸收峰變化， 又通過改變肽鏈氨基酸的數(shù)量， 發(fā)現(xiàn)其吸收系數(shù)曲線變得復(fù)雜。 文獻(xiàn)[5]報道了四種簡單二肽的太赫茲吸收曲線和各自在0～2.7 THz的吸收峰， 并且通過對雙甘氨肽、 丙谷二肽、 肌膚和谷胱甘肽這四種肽分子結(jié)構(gòu)的分析和密度泛函理論模擬， 認(rèn)為肽鍵的差異會導(dǎo)致肽類分子對太赫茲的吸收產(chǎn)生差別。

對于無明顯太赫茲吸收峰的物質(zhì)， 一般難以通過吸收系數(shù)譜進(jìn)行分類識別， 需要結(jié)合機器學(xué)習(xí)算法和化學(xué)計量法進(jìn)一步進(jìn)行處理。 通過建立有效的分析模型與太赫茲光譜技術(shù)相結(jié)合將是這個方面的重點內(nèi)容。 選擇的預(yù)測模型為有監(jiān)督的學(xué)習(xí)算法， 包括支持向量機[6](support vector machine， SVM)， 隨機森林[7](random forest， RF)， 極限學(xué)習(xí)機[8](extreme learning machine， ELM)。 支持向量機的主要思想是結(jié)構(gòu)風(fēng)險最小化的近似實現(xiàn)。 但是由于支持向量機會由于數(shù)據(jù)維數(shù)過大而分類擬合效果不好等問題， 本文結(jié)合主成分分析進(jìn)行降維比較。 隨機森林是一種根據(jù)統(tǒng)計的思想， 根據(jù)決策樹的判斷類別得出結(jié)果的分類器， 擁有高預(yù)測精度和運算量小等特點。 極限學(xué)習(xí)機是一種針對傳統(tǒng)單隱前饋神經(jīng)網(wǎng)絡(luò)而提出的分類模型， 有學(xué)習(xí)速度快， 泛化性能好等優(yōu)點。 為了提高預(yù)測速度， 降低噪聲干擾， 選擇主成分分析法[9]進(jìn)行對比， 主成分分析法(principal component analysis, PCA)是一種常用的可以用于降維的方法， 能夠在丟失較少特征信息的前提下， 將較高維度的數(shù)據(jù)轉(zhuǎn)化為較低維度的數(shù)據(jù)。 為了能尋找到支持向量機中參數(shù)的最優(yōu)值， 選擇網(wǎng)格搜索(grid search, GS)， 粒子群優(yōu)化(particle swarm optimization, PSO)和遺傳(genetic algorithm, GA)[10]算法作為優(yōu)化算法。 其中網(wǎng)格搜索通過窮舉搜索選取最優(yōu)參數(shù)； 遺傳算法通過一系列內(nèi)在機制， 仿照種群的進(jìn)化過程， 得到適應(yīng)度近似最優(yōu)的狀態(tài)； 粒子群算法不斷調(diào)整速度和位置參數(shù)， 來尋求最優(yōu)解。

本文主要利用海參肽、 牛骨肽、 魚肽三種代表性生物活性肽的太赫茲光譜數(shù)據(jù)， 結(jié)合不同的機器學(xué)習(xí)算法， 創(chuàng)建分類模型。 主要以測試集預(yù)測準(zhǔn)確率為考察標(biāo)準(zhǔn)， 以運行速度為輔助標(biāo)準(zhǔn)。 通過太赫茲光譜技術(shù)結(jié)合機器學(xué)習(xí)分類方法在生物活性肽檢測領(lǐng)域進(jìn)行探索。

1 實驗部分

1.1 設(shè)備

實驗使用的是日本advantest公司的TAS 7500SU。 光譜范圍為0.5～7.0 THz， 動態(tài)范圍為57 dB， 頻率分辨率為7.6 GHz。 本實驗中用的是其透射模塊， 其結(jié)構(gòu)如圖1所示。

圖1 太赫茲時域光譜系統(tǒng)

1.2 樣品制備

實驗中所用的牛骨肽粉末， 海參肽粉末， 魚肽粉末均由百德福生物科技有限公司提供， 純度為99%， 白色粉末。 實驗中為了保證測量的穩(wěn)定性， 將樣品在壓片之前置于干燥柜中干燥6 h， 干燥柜濕度20%， 溫度30 ℃。 將樣品與聚乙烯按照2∶1的質(zhì)量比例混合， 充分研磨。 在10 MPa壓力下， 壓5 min， 壓成厚度為(1.1±0.1) mm， 直徑為13 mm的樣品片， 每種多肽分別壓制符合要求， 表面均勻的樣品各30片。

1.3 方法

在實驗中， 以干燥空氣作為參考信號， 每片樣品分別在不同的位置測量3次。 為了保證結(jié)果的可重復(fù)性和精確性， 樣品測完第一次之后放入干燥柜中保存24 h， 進(jìn)行復(fù)測， 同樣也是每片樣品移動不同位置分別測量3次。 得到每片樣品的吸收系數(shù)譜。

1.4 數(shù)據(jù)處理方法

為了降低系統(tǒng)噪聲和實驗因素導(dǎo)致的噪聲， 提高光譜的平滑性， 使用Savitzky-Golay(S-G)平滑預(yù)處理， 考慮原光譜的特性， 將平滑濾波器的擬合階數(shù)設(shè)置為3階， 并且考慮其平滑特性， 設(shè)置每15個點平滑一次。 由于光譜圖兩端噪聲比較大， 選取0.5～2 THz范圍內(nèi)的198個光譜數(shù)據(jù)進(jìn)行分析。 將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理， 歸一化到[0, 1]范圍內(nèi)。 如圖2所示， 使用主成分分析法， 光譜數(shù)據(jù)降維到8維之后的貢獻(xiàn)率之和為95%， 可以代替原光譜圖。

圖2 PCA各成分得分

分類模型如圖3所示， 其中對于支持向量機參數(shù)優(yōu)化環(huán)節(jié)， 選擇網(wǎng)格搜索、 遺傳算法和粒子群算法對其參數(shù)優(yōu)化。 訓(xùn)練模型選擇的是支持向量機、 隨機森林和極限學(xué)習(xí)機。 結(jié)果主要考察分類準(zhǔn)確度和運行時間， 在確保準(zhǔn)確率高， 大于90%的前提下， 考慮運行時間。

圖3 模型流程圖

2 結(jié)果與討論

2.1 吸收系數(shù)譜

將兩次測量得到的數(shù)據(jù)進(jìn)行平均， 為了表示三種多肽的不確定度大小， 三種多肽在0.5～2 THz范圍內(nèi)的誤差棒如圖4所示， 從圖中可以看出在低頻段， 三種多肽樣品幾乎重疊， 難以直接區(qū)分； 在高頻段， 區(qū)分度較好， 魚肽吸收系數(shù)明顯大于海參肽和牛骨肽。 從這些多肽的太赫茲吸收系數(shù)上不能很容易對其進(jìn)行區(qū)分， 需要采用一些機器學(xué)習(xí)的算法。

圖4 海參肽、 魚肽和牛骨肽的吸收系數(shù)誤差棒

2.2 建模及定性分析

將經(jīng)過數(shù)據(jù)預(yù)處理后的全部樣品加上標(biāo)簽， 隨機選取四分之三數(shù)據(jù)量進(jìn)行算法訓(xùn)練， 其余數(shù)據(jù)用來進(jìn)行測試。

為了找到分類三種多肽最好的算法， 采用不同的機器學(xué)習(xí)方法進(jìn)行對比驗證， 圖5(a)為網(wǎng)格搜索加5折交叉驗證法的支持向量機模型結(jié)果， 結(jié)果表明， 向量機懲罰因子C的最優(yōu)值為8， 核函數(shù)參數(shù)g的最優(yōu)值是0.125， 訓(xùn)練集準(zhǔn)確率81.1%， 測試集準(zhǔn)確率95%， 用時11.7 s。

圖5(b)為遺傳算法尋優(yōu)加5折交叉驗證法的支持向量機模型結(jié)果， 結(jié)果表明， 向量機懲罰因子C的最優(yōu)值為0.79， 核函數(shù)參數(shù)g的最優(yōu)值是356.3， 訓(xùn)練集準(zhǔn)確率63.9%， 測試集準(zhǔn)確率85%， 用時152.8 s。

圖5(c)為粒子群尋優(yōu)加5折交叉驗證法的支持向量機模型結(jié)果， 結(jié)果表明， 向量機懲罰因子C的最優(yōu)值為83.44， 核函數(shù)參數(shù)g的最優(yōu)值是0.01， 訓(xùn)練集準(zhǔn)確率82.2%， 測試集準(zhǔn)確率98.3%， 用時180.8 s。

圖5(d)為主成分分析結(jié)合網(wǎng)格搜索下的支持向量機模型結(jié)果， 結(jié)果表明， 向量機懲罰因子C的最優(yōu)值為1.414， 核函數(shù)參數(shù)g的最優(yōu)值是2， 訓(xùn)練集準(zhǔn)確率73.3%， 測試集準(zhǔn)確率78.3%， 用時6.27 s。

圖5(e)為主成分分析結(jié)合遺傳算法下的支持向量機模型結(jié)果， 結(jié)果表明， 向量機懲罰因子C的最優(yōu)值為1.543， 核函數(shù)參數(shù)g的最優(yōu)值是2.2， 訓(xùn)練集準(zhǔn)確率81.7%， 測試集準(zhǔn)確率78.3%， 用時41.9 s。

圖5(f)為主成分分析結(jié)合粒子群算法下的支持向量機模型結(jié)果， 結(jié)果表明， 向量機懲罰因子C的最優(yōu)值為1.5， 核函數(shù)參數(shù)g的最優(yōu)值是1.7， 訓(xùn)練集準(zhǔn)確率82.2%， 測試集準(zhǔn)確率75%， 用時65.3 s。

圖5 不同優(yōu)化方法下支持向量機分類結(jié)果

建立隨機森林模型， 經(jīng)過多次試驗， 綜合考慮準(zhǔn)確率和運行時間， 參數(shù)選擇如圖6(a)所示， 最優(yōu)的決策樹個數(shù)為400， 準(zhǔn)確率達(dá)到最優(yōu)準(zhǔn)確率， 時間最短。 隨機森林模型本身自帶降維的能力， 無需進(jìn)行降維處理， 結(jié)果如圖6(b)所示，準(zhǔn)確率為86.6%。

圖6 隨機森林分類結(jié)果

圖7 ELM分類分類結(jié)果

建立極限學(xué)習(xí)機模型， 經(jīng)過多次試驗， 綜合考慮準(zhǔn)確率和運行時間， 參數(shù)選擇如圖7(a)所示， 最優(yōu)的隱含層神經(jīng)元個數(shù)為400， 準(zhǔn)確率達(dá)到最高。 極限學(xué)習(xí)機結(jié)果如圖7(b)所示， 準(zhǔn)確率為73.3%。

表1給出了多種分類方法的預(yù)測精度和運行時間。 從表1看出， 數(shù)據(jù)進(jìn)行PCA預(yù)處理之后， 測試集的準(zhǔn)確率較未進(jìn)行預(yù)處理有所下降， 但是運行時間也加快。 通過比較三種監(jiān)督機器學(xué)習(xí)算法， 準(zhǔn)確率最高的是支持向量機， 但是運行時間最快的是極限學(xué)習(xí)機。 準(zhǔn)確率最高的是基于粒子群算法的支持向量機分類， 為98.8%(59/60)的準(zhǔn)確率。 運行時間最短的是極限學(xué)習(xí)機， 只需要0.2 s。 但是， 在綜合考慮測試集準(zhǔn)確率和運行時間的情況下， 最適合分類這三種多肽的算法是基于網(wǎng)格搜索的支持向量機， 準(zhǔn)確率為95%(57/60)， 運行時間是11.7 s。

表1 建模方法對預(yù)測結(jié)果的影響

4 結(jié) 論

以牛骨肽， 海參肽， 魚肽三種生物活性肽為研究對象， 驗證了太赫茲時域光譜技術(shù)對其定性分析中的應(yīng)有潛力。 為了更好的對其進(jìn)行區(qū)分， 利用這些多肽的吸收光譜信息結(jié)合機器學(xué)習(xí)算法， 并且比較數(shù)據(jù)在PCA降維之后和未降維的分類對比情況， 得出最適合分類這些多肽的分類算法。 結(jié)果證明， 使用網(wǎng)格搜索的支持向量機結(jié)合太赫茲時域光譜技術(shù)， 可以實現(xiàn)對多肽的高效鑒別， 有望促進(jìn)太赫茲時域光譜技術(shù)在生物醫(yī)學(xué)檢測領(lǐng)域的應(yīng)用。

致謝：感謝百德福生物科技有限公司對樣品的支持， 以及萊儀特太赫茲(天津)科技有限公司提供太赫茲系統(tǒng)。