一个用于关键微藻色素分光光度法定量的深度学习框架

《Machine Learning with Applications》:A deep learning framework for spectrophotometric quantification of key microalgal pigments

【字体: 大 中 小 】 时间:2026年03月03日 来源:Machine Learning with Applications 6.1

编辑推荐:

  本文提出一个深度学习框架(deep learning framework),该框架将微藻提取物光谱(microalgae extract spectra)与单个色素(individual pigments)的定量联系起来。为此,该框架依赖于卷积神经网络(Con

  
本文提出一个深度学习框架(deep learning framework),该框架将微藻提取物光谱(microalgae extract spectra)与单个色素(individual pigments)的定量联系起来。为此,该框架依赖于卷积神经网络(Convolution Neural Network, CNN)架构。首先,来自文献的架构被实施和挑战。尽管对大多数色素显示出良好结果,但它们未能充分预测玉米黄质(zeaxanthin)浓度(含量非常低,平均绝对百分比误差(MAPE)超过20%)。因此,设计了一个特定的网络。经过微调,它在验证集上达到了14.6%的MAPE。除了网络架构,还探索了数据增强(data augmentation)和预处理(preprocessing)。结果表明,仅通过导数(derivation)进行数据增强(无需额外预处理)产生了最佳结果。最后,研究了训练数据集大小与性能之间的相关性。使用新引入的学习曲线工具(learning curve tool),可以评估主要色素的最佳可实现性能(3.10至8.57% MAPE)和收敛速率(约平方根到二次方,依色素而定)。代码和数据库可在GitHub上获取,训练好的CNN可在HuggingFace上获取。(论文接收后将进行调整)
**微藻色素分光光度法定量:基于深度学习的框架研究解读**
**研究背景与目的**
微藻色素(pigments)如叶绿素(chlorophyll)和类胡萝卜素(carotenoids)是细胞健康状态和生物量市场价值的关键指标。传统定量方法高效液相色谱(High Performance Liquid Chromatography, HPLC)虽准确,但耗时、昂贵且需样品破坏。分光光度法(spectrophotometry)简便快速,但仅能提供总类胡萝卜素浓度,难以区分单个色素(如叶黄素lutein、玉米黄质zeaxanthin)。早期机器学习(Machine Learning, ML)方法如偏最小二乘(Partial Least Squares, PLS)已被用于关联光谱与色素浓度,但对低含量色素的预测精度不足(例如玉米黄质平均绝对百分比误差MAPE超过20%)。为此,研究人员探索深度学习(Deep Learning, DL)技术,特别是卷积神经网络(Convolutional Neural Network, CNN),旨在保留个体色素定量能力的同时提高精度,使其接近HPLC水平。该研究发表于《Machine Learning with Applications》。
**研究内容与结论**
研究人员提出一种基于CNN的深度学习框架,将微藻提取物光谱(340-800 nm)与五种色素(叶绿素a、叶绿素b、叶黄素、紫黄质violaxanthin、玉米黄质)浓度关联。使用来自*Chlorella vulgaris*和*Scenedesmus almeriensis*两种藻株的75个样本(经手工筛选和去重),数据集包括原始光谱及其一阶和二阶导数。比较了文献中的两种CNN架构(Cui和Bjerrum),并针对玉米黄质设计了自定义混合架构(CNN与全连接网络结合)。通过Optuna超参数优化框架进行5折交叉验证,评估了数据增强(仅导数)和预处理方法(乘法散射校正MSC、扩展乘法散射校正EMSC、标准化)的影响。引入学习曲线工具(learning curve)分析训练集大小与性能的关系。主要结论:CNN优于传统机器学习(MAPE降低17%-63%);仅导数数据增强(无额外预处理)效果最佳;对玉米黄质,混合架构结合Log-Cosh损失和对数变换达到验证集MAPE 14.62%;学习曲线分析揭示了各色素的最佳可实现性能(渐近MAPE 3.10%至8.57%)和收敛速率(幂律或指数依赖)。**重要意义**在于提供了高精度、开放获取的色素定量工具,并明确了数据需求,为微藻生物技术领域快速、低成本监测色素组成奠定了基础。
**关键技术方法(不超过250字)**
研究人员采用卷积神经网络(CNN)架构,包括文献中的Cui和Bjerrum架构以及针对玉米黄质的自定义混合架构(CNN与全连接网络结合)。数据来源于*Chlorella vulgaris*(SAG保藏中心)和*Scenedesmus almeriensis*(加布里埃尔·阿西恩教授提供)的甲醇提取物光谱(340-800 nm,1 nm分辨率)及HPLC定量(Ultima 3000,C18柱)。预处理比较了仅导数(3 nm步长前向差分)、乘法散射校正(MSC)、扩展乘法散射校正(EMSC)和标准化(z-score)。使用Optuna进行超参数优化(每色素25次试验,玉米黄质100次),采用5折交叉验证和独立验证集(20%)。引入学习曲线工具(幂律/多项式/分段线性拟合)评估样本量(75个样本子集)与性能(MAPE)关系。
**研究结果**
**4.1 训练时间**:训练时间因色素而异,叶绿素a最快(平均约3分钟),紫黄质最慢(约8分钟)。长训练时间不必然对应低MAPE,表明初始猜测重要,需多次试验。
**4.2 预处理的影响**:平均而言,仅导数(无额外预处理)在各色素中表现最佳,尤其是叶绿素b和叶黄素,MAPE约为其他预处理的二分之一。
**4.3 超参数的PCA分析**:最佳超参数经主成分分析(PCA)投影显示,叶绿素a和b聚类,类胡萝卜素分散,玉米黄质与其他色素分离,表明其最优架构差异大,不适合迁移学习。
**4.4 玉米黄质架构优化**:针对低含量玉米黄质,通过100次试验、5折交叉验证,混合架构(图3)结合Log-Cosh损失和对数目标变换达到验证集MAPE 14.62%,测试集13.66%,R2=0.930,优于其他架构(如全连接或单纯CNN)。
**4.5 学习数据库大小**:通过学习曲线拟合(幂律或多项式),叶黄素渐近MAPE为8.57%(幂指数-1.80),叶绿素b为3.10%(幂指数-0.57),叶绿素a为7.03%(指数衰减),紫黄质为分段线性(转折点12个样本),玉米黄质为三次多项式(R2=0.657)。表明叶黄素和叶绿素随样本增加显著改进,而玉米黄质和紫黄质改进有限(约30个样本后饱和)。
**讨论部分与结论翻译**
**讨论部分**:研究人员评价CNN保留了个体色素预测能力,并优于传统机器学习(PLS、岭回归Ridge、支持向量回归SVR)——MAPE降低17%-63%。无额外预处理最优,因光谱基线偏差小且色素贡献为加性。鲁棒性验证:对叶黄素使用5折×5种子嵌套交叉验证,集成9个最佳模型,得到MAPE 5.59±3.08%(交叉验证)和4.60%(留出),R2=0.8751±0.2438(交叉验证)和0.9844(留出),验证了可靠性。局限性:算法仅针对绿色微藻,其他类别(如褐藻、红藻)需调整;未测试外推能力。展望包括:使用Grad-CAM可视化CNN激活层以揭示波长关注区域;量化模型用于便携式光谱仪实时定量;多任务学习同时预测五种色素以利用色素间相关性。
**研究结论翻译**:在本工作中,实现了用于色素定量的深度学习框架。使用双卷积神经网络架构以及单一CNN,成功提供了比先前优化的偏最小二乘(PLS)更好的预测。进行了广泛的工作流和超参数研究以确保高精度定量结果。结果表明,仅通过导数进行数据增强(无需额外预处理)产生最佳结果。CNN技术突破了玉米黄质MAPE低于20%的障碍。最后,研究了训练数据集大小与性能之间的相关性。使用新引入的学习曲线工具,可以评估主要色素的最佳可实现性能和收敛速率。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号