摘要 近紅外（Near-infrared， NIR）光譜主要反映了含氫基團(tuán)的振動(dòng)信息，可用于獲取由疾病引起的生物樣品中蛋白質(zhì)、脂質(zhì)等成分的含量和結(jié)構(gòu)變化信息。近年來(lái)，近紅外光譜技術(shù)由于其快速、無(wú)損和非侵入性等優(yōu)勢(shì)，在疾病診斷領(lǐng)域發(fā)揮了重要作用。在癌癥檢測(cè)方面，惡性腫瘤細(xì)胞與正常細(xì)胞的化學(xué)結(jié)構(gòu)和成分存在明顯差異，并且癌癥引起的異常代謝功能會(huì)導(dǎo)致生物組織和體液成分發(fā)生變化，從而影響光譜吸收，這使得近紅外光譜有望成為探測(cè)生物體內(nèi)癌變信息的有效工具。然而，近紅外光譜的譜峰重疊嚴(yán)重，因此通常需要借助化學(xué)計(jì)量學(xué)方法對(duì)光譜進(jìn)行解析，以有效提取癌癥診斷信息。本文總結(jié)了近年來(lái)近紅外光譜技術(shù)應(yīng)用于癌癥檢測(cè)的研究進(jìn)展，包括使用光譜預(yù)處理方法用于獲取高分辨率光譜信號(hào)和建立模型方法用于癌癥診斷，以及近紅外高光譜成像結(jié)合深度學(xué)習(xí)方法的醫(yī)學(xué)診療應(yīng)用趨勢(shì)。通過(guò)對(duì)光譜進(jìn)行解析，可以探測(cè)生物體系中分子的定量信息和結(jié)構(gòu)變化，特別是利用近紅外光譜對(duì)水的敏感性，分析了水在癌變過(guò)程中的含量和結(jié)構(gòu)變化及其在癌癥檢測(cè)中的作用機(jī)理。

關(guān)鍵詞 近紅外光譜；癌癥診斷；化學(xué)計(jì)量學(xué)；定量分析；結(jié)構(gòu)分析；評(píng)述

近紅外（Near-infrared， NIR）光譜主要反映含氫基團(tuán)（X—H）的振動(dòng)信息，可獲得由疾病引起的生物組織或者體液中蛋白質(zhì)和脂質(zhì)等的組成和結(jié)構(gòu)的變化信息，因此，通過(guò)光譜變化可以獲取潛在的診斷信息[1-3]。相比于其它光譜技術(shù)，如紅外光譜、拉曼光譜和激光誘導(dǎo)擊穿光譜，近紅外光具有更強(qiáng)的組織穿透能力，并且對(duì)樣品無(wú)損，因此在無(wú)創(chuàng)檢測(cè)中表現(xiàn)出更大的應(yīng)用潛力。此外，近紅外光譜對(duì)水的吸收強(qiáng)度適中，更適合檢測(cè)含水量高的生物樣本[4]，能夠反映癌變樣本中溶劑水分子和生物分子水合作用的變化。憑借其組織穿透性強(qiáng)、非侵入性、操作簡(jiǎn)便和檢測(cè)快速等優(yōu)點(diǎn)，近紅外光譜技術(shù)早在1977 年就被證明在疾病診療方面具有應(yīng)用潛力[5-6]。目前，近紅外光譜已被用于研究一系列不同的疾病，如通過(guò)檢測(cè)近紅外光在人體內(nèi)的漫反射光譜，建立多變量模型進(jìn)行分析，預(yù)測(cè)人體內(nèi)的血糖濃度，實(shí)現(xiàn)糖尿病的無(wú)創(chuàng)監(jiān)測(cè)[7]。通過(guò)檢測(cè)血清的近紅外光譜，建立光譜與血清中含氮量之間的定量關(guān)系模型，準(zhǔn)確測(cè)定尿素濃度，從而有助于診斷腎功能疾病[8]。

惡性腫瘤細(xì)胞與正常細(xì)胞的化學(xué)結(jié)構(gòu)和成分含量都存在明顯差異，異常的代謝功能會(huì)使生物組織和體液成分發(fā)生變化。近紅外光譜技術(shù)可識(shí)別癌細(xì)胞生長(zhǎng)和擴(kuò)散時(shí)釋放的化學(xué)物質(zhì)，通過(guò)探測(cè)生物樣品中水分子、蛋白質(zhì)和脂質(zhì)等物質(zhì)的含量和結(jié)構(gòu)的變化，利用多波長(zhǎng)數(shù)據(jù)與腫瘤生長(zhǎng)之間的關(guān)系建立多元校正模型，對(duì)癌癥類型和分期進(jìn)行判別[9-10]。然而，生物樣品的近紅外光譜主要由水的寬吸收峰和生物分子的弱響應(yīng)信號(hào)組成，正常樣品和癌癥樣品的光譜形狀相似，難以從原始光譜中直接獲取水和生物分子的變化信息。因此，需要借助于化學(xué)計(jì)量學(xué)方法提高光譜分辨率或?qū)庾V進(jìn)行解析[11-13]，區(qū)分不同物質(zhì)的光譜特征，有效提取癌癥引起的數(shù)量、結(jié)構(gòu)以及分子間相互作用變化信息，從而有效獲取癌癥的診斷信息。

本文總結(jié)了近年來(lái)近紅外光譜技術(shù)應(yīng)用于癌癥檢測(cè)的研究進(jìn)展，包括化學(xué)計(jì)量學(xué)方法及其在定量和結(jié)構(gòu)分析中的應(yīng)用。首先，通過(guò)對(duì)光譜進(jìn)行預(yù)處理，獲取高分辨光譜信號(hào)，進(jìn)而獲取癌癥相關(guān)信息，再利用合適的建模方法對(duì)癌癥進(jìn)行判別，并介紹了深度學(xué)習(xí)方法在近紅外高光譜成像中的應(yīng)用。然后，從光譜中解析出癌癥引起的生物分子含量和結(jié)構(gòu)變化信息，以及從水的光譜變化中反映出生物樣品的狀態(tài)信息和相互作用，從而探測(cè)癌癥的診斷信息。最后，對(duì)該研究領(lǐng)域未來(lái)的發(fā)展趨勢(shì)進(jìn)行了展望。

1 診斷信息的提取與識(shí)別方法

1.1 光譜信號(hào)分辨率的提高

相比于紅外或拉曼等分子光譜，近紅外光譜的譜峰通常存在較嚴(yán)重的重疊現(xiàn)象。因此，在信號(hào)提取過(guò)程中，須選取合適的機(jī)器學(xué)習(xí)方法解析重疊譜峰。生物體系中的成分復(fù)雜多樣，并且生物組織或者體液樣品含大量水，其近紅外光譜主要由水的寬吸收峰組成，掩蓋了其它生物分子的變化信息，導(dǎo)致難以從原始光譜中直接獲取正常樣品和癌變樣品的差異信號(hào)。因此，需要借助化學(xué)計(jì)量學(xué)方法對(duì)光譜進(jìn)行預(yù)處理[14]，提高光譜的分辨率，放大病變樣品的光譜特征，從而有效提取癌癥診斷信息，建立癌癥的判別模型（圖1）。常用的增強(qiáng)光譜分辨率的方法包括求導(dǎo)、小波變換（Wavelet transform， WT）、多元曲線分辨和正交信號(hào)校正（Orthogonal signal correction， OSC）等。在眾多預(yù)處理方法中，研究者需要綜合考慮多種因素，如數(shù)據(jù)的噪聲水平、變量的冗余性以及模型的復(fù)雜性等，以選擇最合適的分析工具和算法用于提取有效的光譜信號(hào)。

求導(dǎo)是一種常見(jiàn)的提高光譜分辨率的方法，同時(shí)還可用于校正光譜基線，有效消除背景干擾。Savitzky-Golay（S-G）求導(dǎo)[15]是處理近紅外光譜數(shù)據(jù)的常用方法，利用移動(dòng)窗口多項(xiàng)式對(duì)光譜進(jìn)行擬合，提高信噪比。Ehlen 等[16]在利用近紅外光譜檢測(cè)結(jié)直腸癌的研究中，使用S-G 方法對(duì)光譜求二階導(dǎo)數(shù)，放大了可區(qū)分結(jié)直腸癌和正常組織的主要光譜區(qū)域，在水的吸收波段表現(xiàn)出了明顯的差異。Hurskainen等[17]通過(guò)對(duì)純水、巖藻糖溶液和脯氨酸溶液的近紅外光譜進(jìn)行導(dǎo)數(shù)處理，獲取了巖藻糖和脯氨酸的特征吸收峰，并將這兩種化合物作為口腔癌生物標(biāo)志物，與口腔癌患者唾液的導(dǎo)數(shù)光譜進(jìn)行比對(duì)，在1530～1650 nm之間顯示出了與兩種生物標(biāo)志物水溶液相似的光譜特征，由此可以對(duì)癌癥患者和健康人樣本進(jìn)行區(qū)分。

WT作為一種近似求導(dǎo)方法[18]已被廣泛用于信號(hào)處理，是增強(qiáng)信號(hào)分辨率的有效手段[19-21]。該方法通過(guò)信號(hào)和濾波器的卷積計(jì)算導(dǎo)數(shù)，通過(guò)選擇不同的濾波器可以獲得任意階導(dǎo)數(shù)，通過(guò)調(diào)整尺度參數(shù)可以達(dá)到信號(hào)平滑的效果。Chen等[22]在利用結(jié)腸組織的近紅外光譜對(duì)結(jié)腸癌進(jìn)行診斷的研究中，采用連續(xù)小波變換有效提高了光譜信號(hào)分辨率，并從高分辨信號(hào)中選取了40個(gè)重要的特征波長(zhǎng)變量，建立了判別模型，實(shí)現(xiàn)了結(jié)腸癌患者的準(zhǔn)確識(shí)別。由此可知，通過(guò)WT 得到的不同頻率下的光譜特征可以呈現(xiàn)原始光譜中所隱含的與癌癥相關(guān)的關(guān)鍵信息。最近， Han等[23]發(fā)展了小波包變換技術(shù)，獲取了超高分辨光譜信號(hào)，用于分析含水樣本中相互作用的變化信息，在提取具有不同分辨率信號(hào)過(guò)程中獲取了不同分子基團(tuán)的結(jié)構(gòu)信息。該方法有望用于復(fù)雜生物樣品體系分析，提取癌變引起的不同生物分子的光譜變化特征信息，實(shí)現(xiàn)精準(zhǔn)的癌癥篩查和診斷。

為了剔除光譜中與癌癥診斷不相關(guān)的信息，提高有效信號(hào)的分辨率，張卓勇研究組[24]使用正交信號(hào)校正OSC 對(duì)原始光譜中噪聲信息進(jìn)行扣除，盡可能保留了光譜中的有效信息。與多元散射校正（Multiplicative scatter correction， MSC）等其它預(yù)處理結(jié)果相比，OSC 方法增強(qiáng)了診斷模型的預(yù)測(cè)能力，區(qū)分了癌變、增生和正常的子宮內(nèi)膜組織切片。在此基礎(chǔ)上，該研究組發(fā)展了加強(qiáng)正交信號(hào)校正（EOSC）方法[25]，與傳統(tǒng)方法相比， EOSC可以更好地去除背景基線漂移，很好地保留了光譜信號(hào)峰，有效避免了在信號(hào)校正時(shí)出現(xiàn)過(guò)擬合現(xiàn)象。Liu等[26]采用主成分分析（Principal component analysis， PCA）方法同樣實(shí)現(xiàn)了噪聲和無(wú)關(guān)信息扣除，提高了有效信號(hào)的分辨率，并同時(shí)實(shí)現(xiàn)了數(shù)據(jù)降維。在該研究中，前兩個(gè)主成分的載荷光譜呈現(xiàn)了樣品之間的顯著差異，從中選擇6 個(gè)波長(zhǎng)作為最佳波長(zhǎng)用于建立分類模型，實(shí)現(xiàn)了胃癌和正常胃組織的區(qū)分。以上方法在晶型信號(hào)分辨解析和濾噪時(shí)，同時(shí)提取了與癌癥信息相關(guān)的有效光譜信號(hào)，提高了光譜分辨率。

1.2 診斷模型的建立

近紅外光譜數(shù)據(jù)預(yù)處理后，采用化學(xué)計(jì)量學(xué)方法建立光譜數(shù)據(jù)與化學(xué)成分之間的數(shù)學(xué)模型，建立的模型可以從復(fù)雜的光譜數(shù)據(jù)中提取與化學(xué)成分相關(guān)的信息。構(gòu)建合適的模型并對(duì)近紅外光譜進(jìn)行分析，可以有效提高光譜的精準(zhǔn)度和準(zhǔn)確度，提取有效數(shù)據(jù)，提高癌癥診斷的準(zhǔn)確性。

主成分聚類分析是常見(jiàn)的無(wú)監(jiān)督模式識(shí)別方法，常用于考察樣本之間的分類效果。Yi等[27]采用傅里葉變換近紅外光譜對(duì)胃癌組織樣品進(jìn)行篩查，采用PCA提取一組正交主成分，從前兩個(gè)主成分的得分圖中可以觀察到正常樣品和癌癥樣品數(shù)據(jù)清晰聚類，并且發(fā)現(xiàn)癌癥樣本之間存在相對(duì)較大的差異，可能是由于癌癥的分期不同所致。然后，根據(jù)光譜的相似性或差異性，利用層次聚類分析（Hierarchical clusteranalysis， HCA）將樣本進(jìn)行簇類劃分，判別癌癥組織，并獲得了100% 的靈敏度，表明近紅外光譜可作為胃癌早期篩查的高靈敏度工具。Jang 等[28]在近紅外光譜檢測(cè)膽汁的研究中，為了考察所有樣品的近紅外光譜特征差異，對(duì)光譜進(jìn)行了PCA，并觀察了得分的分布情況，發(fā)現(xiàn)PC1即可區(qū)分膽囊癌與其它膽囊疾?。懡Y(jié)石和膽息肉），因此可用于基于膽汁液的膽囊疾病快速篩查，特別是早期膽囊癌的識(shí)別。

為了對(duì)生物樣本的癌變情況進(jìn)行準(zhǔn)確判別，通常先將PCA 聚類作為初步方法觀察樣品之間的分離度，然后建立診斷模型。Chen等[29]在利用近紅外光譜區(qū)分正常組織和惡性結(jié)腸直腸組織的研究中，發(fā)現(xiàn)兩類樣品之間的PCA得分分離不清晰，異常樣本和正常樣本之間存在重疊，說(shuō)明數(shù)據(jù)結(jié)構(gòu)或關(guān)系可能是復(fù)雜和非線性的；隨后采用連續(xù)投影算法（Successive projection algorithm， SPA）篩選出3個(gè)共線性最小的特征波長(zhǎng)，并建立線性判別模型鑒別出癌變組織。Zufry等[30]在利用近紅外光譜鑒別甲狀腺結(jié)節(jié)惡性腫瘤的研究中，使用前兩個(gè)主成分有效區(qū)分了甲狀腺良性結(jié)節(jié)和惡性腫瘤，然后利用線性判別分析（Linear discriminant analysis， LDA）對(duì)7個(gè)主成分建立了高準(zhǔn)確的分類模型，但仍需進(jìn)一步考察模型的靈敏度、特異性等評(píng)價(jià)指標(biāo)，避免模型發(fā)生過(guò)擬合現(xiàn)象。

為了建立多分類的診斷模型， Zhu 等[31]比較了包括偏最小二乘、隨機(jī)森林和支持向量機(jī)（Supportvectormachine， SVM）等在內(nèi)的5種機(jī)器學(xué)習(xí)模型，對(duì)肺癌、宮頸癌、鼻咽癌和健康對(duì)照血清樣本進(jìn)行區(qū)分。結(jié)果表明，所有方法都可對(duì)癌癥與健康對(duì)照組進(jìn)行顯著區(qū)分，但是，相比于其它分類模型， SVM可高精度地實(shí)現(xiàn)四元分類，即同時(shí)區(qū)分3 種不同類型的癌癥以及健康人群，其原因可能是該方法適于分析高維數(shù)據(jù)。Yim等[32]在分析膀胱切片的近紅外光譜時(shí)，使用PCA方法提取數(shù)據(jù)的最大方差，然后結(jié)合K近鄰算法（K-Nearest neighbor， KNN）、SVM、隨機(jī)梯度下降、梯度提升和神經(jīng)網(wǎng)絡(luò)的結(jié)果，構(gòu)建了機(jī)器學(xué)習(xí)組合（或“堆積”）模型，有效區(qū)分了不同等級(jí)和不同分期的膀胱癌組織。

1.3 深度學(xué)習(xí)方法

傳統(tǒng)的化學(xué)計(jì)量學(xué)方法在光譜分析過(guò)程中通常步驟繁瑣，需要進(jìn)行大量的光譜預(yù)處理操作。深度學(xué)習(xí)是近年迅速發(fā)展起來(lái)的一類機(jī)器學(xué)習(xí)方法，主要依賴于人工神經(jīng)網(wǎng)絡(luò)模擬人腦處理數(shù)據(jù)的方式，通過(guò)學(xué)習(xí)大量數(shù)據(jù)的內(nèi)在規(guī)律，實(shí)現(xiàn)端到端的高精度光譜分析，進(jìn)而達(dá)到識(shí)別復(fù)雜模式的目的[33-35]。Shang等[36]基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D-convolutional neural network， 1D-CNN）建立了判別模型，提出了近紅外光譜與深度學(xué)習(xí)相結(jié)合的乳腺癌原位檢測(cè)和分類方法，能夠快速識(shí)別不同癌變位置甚至不同階段的乳腺組織，并且模型的準(zhǔn)確度、靈敏度和特異性等均明顯優(yōu)于KNN和Fisher等傳統(tǒng)的判別分析模型算法，為原位非侵入性癌癥的自動(dòng)診斷提供了一種前景良好的新方法。Zhang 等[37]使用近紅外光譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)檢測(cè)BRAF V600 基因突變型和野生型結(jié)直腸癌，通過(guò)分析不同光譜波段對(duì)模型結(jié)果的影響，表明判別模型的建立主要基于纈氨酸和谷氨酸之間的光譜差異，該研究結(jié)果將近紅外光譜應(yīng)用拓展到人類癌癥基因突變輔助診斷。

深度學(xué)習(xí)方法在處理大批量數(shù)據(jù)方面具有優(yōu)越性，在醫(yī)學(xué)圖像分析中，尤其是多維的高光譜成像（Hyperspectral imaging， HSI）數(shù)據(jù)分析中，具有獨(dú)特優(yōu)勢(shì)[38-39]，如圖2所示。Muniz等[40]在利用傅里葉變換紅外HSI區(qū)分健康、炎癥性和腫瘤性結(jié)腸組織過(guò)程中，設(shè)計(jì)了全連接神經(jīng)網(wǎng)絡(luò)（Fully connected neuralnetwork， FCNN）模型，對(duì)圖像上每個(gè)像素的病理狀態(tài)進(jìn)行判別，結(jié)果的準(zhǔn)確度明顯高于SVM等傳統(tǒng)機(jī)器學(xué)習(xí)方法。為了克服數(shù)據(jù)量大以及深度網(wǎng)絡(luò)計(jì)算成本高的問(wèn)題， Liu等[41]設(shè)計(jì)了淺層殘差網(wǎng)絡(luò)（Shallowresidual network， SR-Net），并用于胃癌等級(jí)分類，通過(guò)直接下采樣、非對(duì)稱濾波器和全局平均池化對(duì)常規(guī)的殘差網(wǎng)絡(luò)進(jìn)行改進(jìn)，減少了參數(shù)和浮點(diǎn)運(yùn)算，簡(jiǎn)化了分類過(guò)程，同時(shí)實(shí)現(xiàn)了較高的分類準(zhǔn)確率。Ortega 等[42]利用可見(jiàn)-近紅外高光譜成像技術(shù)分析了乳腺癌組織的病理學(xué)切片，使用2D-CNN 對(duì)正常和腫瘤細(xì)胞進(jìn)行自動(dòng)識(shí)別，由于高光譜波長(zhǎng)點(diǎn)的增多提供了豐富的化學(xué)組成信息，使得判別準(zhǔn)確度優(yōu)于RGB 圖像的識(shí)別結(jié)果，表明高光譜技術(shù)結(jié)合深度學(xué)習(xí)為數(shù)字化病理圖像自動(dòng)檢測(cè)乳腺癌細(xì)胞提供了有力的工具。

分割是一種對(duì)圖像進(jìn)行像素級(jí)別分類的有效方法，對(duì)于檢測(cè)腫瘤邊界具有重要意義。臨床上，如果專業(yè)醫(yī)生人為標(biāo)記每個(gè)像素的類別，將耗費(fèi)其大量的時(shí)間和精力，并且分割質(zhì)量受醫(yī)生的專業(yè)水平影響。為了提高醫(yī)學(xué)影像的分割質(zhì)量，縮短分割時(shí)間，已有大量研究將深度學(xué)習(xí)用于醫(yī)學(xué)影像的高精度分割。Ma 等[43]開發(fā)了自適應(yīng)深度學(xué)習(xí)方法檢測(cè)頭頸癌，通過(guò)高光譜圖像訓(xùn)練自動(dòng)編碼器網(wǎng)絡(luò)，提取深度信息。該算法根據(jù)錯(cuò)誤分類的像素自適應(yīng)地調(diào)整其權(quán)重，提高癌組織和良性組織的識(shí)別能力，從而提高檢測(cè)性能。動(dòng)物模型實(shí)驗(yàn)結(jié)果表明，該自適應(yīng)學(xué)習(xí)方法在腫瘤邊界檢測(cè)方面具有很高的準(zhǔn)確性，特別是對(duì)于邊緣模糊和不規(guī)則的腫瘤。Trajanovski等[44]首次使用深度學(xué)習(xí)語(yǔ)義分割解析用于腫瘤檢測(cè)的可見(jiàn)-近紅外高光譜數(shù)據(jù)，結(jié)果表明，基于U-Net神經(jīng)網(wǎng)絡(luò)算法對(duì)光譜圖像進(jìn)行分割，其預(yù)測(cè)性能明顯優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)和像素級(jí)別（Pixel-wise）方法，并且近紅外光譜波段對(duì)于腫瘤檢測(cè)至關(guān)重要。因此，近紅外HSI技術(shù)結(jié)合深度學(xué)習(xí)方法在癌癥等疾病的診斷和病變區(qū)域分割方面具有應(yīng)用潛力，有望成為實(shí)時(shí)手術(shù)的輔助工具。

2 定量分析和結(jié)構(gòu)分析

2.1 生物分子變化

由于近紅外光譜主要反映含氫基團(tuán)的振動(dòng)信息，因此蛋白質(zhì)、脂質(zhì)、核酸和葡萄糖等重要生物分子的含量和結(jié)構(gòu)信息均可以體現(xiàn)在近紅外光譜上。癌細(xì)胞由于核酸發(fā)生突變，表達(dá)的生物分子與正常細(xì)胞不同，例如，與正常細(xì)胞或組織相比，腫瘤通常具有較高的水/脂質(zhì)之比[31，45-46]。因此，癌變組織或患者體液的近紅外光譜在峰形、峰強(qiáng)度和峰波數(shù)位置方面可能存在較大差別。圖3 為細(xì)胞密度均為1000 cell/mL的正常肺上皮細(xì)胞和兩種肺癌細(xì)胞的培養(yǎng)液近紅外光譜。圖3A的原始光譜主要由水的吸收峰組成，很難區(qū)分正常細(xì)胞與癌細(xì)胞。采用連續(xù)小波變換（Symmlet 小波基，消失矩為4，尺度系數(shù)為30）對(duì)光譜進(jìn)行處理，提高了光譜的分辨率，得到圖3B。三種細(xì)胞培養(yǎng)液在4400 cm–1 附近的光譜強(qiáng)度存在差異，該波段主要包含了蛋白質(zhì)酰胺基團(tuán)的吸收信息[10，47]。兩種癌細(xì)胞的光譜強(qiáng)度均低于正常細(xì)胞，這是由于癌細(xì)胞的強(qiáng)代謝能力使得培養(yǎng)液中蛋白質(zhì)的消耗較多，含量降低，反映在光譜上為強(qiáng)度降低。因此，通過(guò)從近紅外光譜中提取生物分子的變化信息，可以反映生物體系的癌變情況。對(duì)文獻(xiàn)中報(bào)道的癌癥相關(guān)近紅外光譜變化信息進(jìn)行的總結(jié)見(jiàn)表1。

Hirosawa等[47]對(duì)雌性大鼠的乳腺組織進(jìn)行了原位近紅外光譜檢測(cè)，經(jīng)過(guò)二階導(dǎo)數(shù)變換得到高分辨光譜，通過(guò)比較發(fā)現(xiàn)乳腺癌組織中的DNA和水的含量高于正常組織，而脂質(zhì)含量低于后者，進(jìn)一步，利用脂質(zhì)譜帶的光譜強(qiáng)度變化定量評(píng)估了大鼠體內(nèi)乳腺組織的惡化程度。Jang等[28]在采用膽汁近紅外光譜識(shí)別不同膽囊疾病的研究中，通過(guò)對(duì)比膽汁中磷脂和白蛋白等主要成分的純物質(zhì)光譜，發(fā)現(xiàn)膽囊癌樣本的近紅外光譜在4050 cm?1 處的峰強(qiáng)度明顯高于其它類別樣本，該吸收峰來(lái)源于白蛋白的C—N—C酰胺振動(dòng)，表明在膽囊癌患者的膽汁中蛋白質(zhì)含量較高。Vermassen等[49]測(cè)量了患有良性和惡性腫瘤患者的前列腺組織的近紅外光譜，通過(guò)觀察導(dǎo)數(shù)光譜發(fā)現(xiàn)，在C—H 和O—H的振動(dòng)吸收波段范圍內(nèi)，良性和惡性組織之間的差異尤為明顯，這主要與蛋白質(zhì)的糖基化比例相關(guān)。因此，通過(guò)從近紅外光譜中提取蛋白質(zhì)、脂質(zhì)和糖類等化合物的變化信息，將其作為生物標(biāo)志物，可用于指示生命體的癌變情況。

2.2 水光譜變化

在過(guò)去很長(zhǎng)一段時(shí)間內(nèi)，水的吸收峰常作為近紅外光譜分析生物樣品中的干擾因素。然而，水具有復(fù)雜的氫鍵網(wǎng)絡(luò)結(jié)構(gòu)，水分子之間的氫鍵作用容易受到分子周圍環(huán)境變化的影響[51]，所以水在不同體系中表現(xiàn)出來(lái)的功能也存在差異。由于近紅外光譜對(duì)水的變化信息敏感，疾病所引起的體液組成變化通常會(huì)影響到水的氫鍵結(jié)構(gòu)，這導(dǎo)致水的光譜會(huì)隨疾病的發(fā)生而產(chǎn)生變化?；诖嗽?， Tsenkova研究組[4]提出了“水光譜組學(xué)”的概念，將水的光譜吸收模式作為一種生物指標(biāo)，從而理解生命體系中水的作用，并實(shí)現(xiàn)對(duì)疾病或異常狀態(tài)的診斷。例如，利用隨溫度變化的水特征光譜研究朊病毒蛋白纖維化的過(guò)程機(jī)理[52]，通過(guò)水化層的結(jié)構(gòu)信息實(shí)現(xiàn)對(duì)大豆花葉病潛伏期的診斷[53]等。Raypah等[54]分析了HeLa等3種細(xì)胞的光譜，發(fā)現(xiàn)水的不同氫鍵結(jié)構(gòu)以及與蛋白質(zhì)、碳水化合物的相互作用對(duì)于區(qū)分癌細(xì)胞和正常細(xì)胞具有重要價(jià)值。

癌細(xì)胞的代謝活動(dòng)通常比正常細(xì)胞活躍[55]，腫瘤微環(huán)境具有pH值低、氧化應(yīng)激強(qiáng)以及基質(zhì)金屬蛋白酶活性高等特征[56]，這些情況都會(huì)改變水分子的含量、結(jié)構(gòu)和功能，進(jìn)而影響水的近紅外光譜[57-58]。Ali等[2]采用近紅外光譜研究了前列腺癌組織和正常前列腺組織中水含量的差異，結(jié)果表明，癌組織光譜中水的吸收峰降低，說(shuō)明水含量比正常組織中的較少。同時(shí)，水的吸收峰向較長(zhǎng)波長(zhǎng)的位置移動(dòng)，表明前列腺癌組織中的水分子氫鍵結(jié)構(gòu)更加有序，這可能是水分子與細(xì)胞或組織中的生物大分子相互作用所致。類似地，在皮膚癌檢測(cè)的研究[50]中，研究者發(fā)現(xiàn)黑色素瘤皮膚中的水分含量低于健康皮膚。然而，在Chung 等[49]關(guān)于近紅外光譜檢測(cè)乳腺癌的研究中發(fā)現(xiàn)，乳腺癌組織中水分子含量更多，并且自由水的比例高于健康組織，由此證明了水分子具有作為一種非侵入性體內(nèi)癌癥指標(biāo)的潛力。

腫瘤細(xì)胞通過(guò)分泌較多的乳酸影響局部的酸堿度[59]，進(jìn)而導(dǎo)致水分子之間的氫鍵結(jié)構(gòu)發(fā)生變化。Li 等[60]使用細(xì)胞培養(yǎng)基和反膠束分別模擬細(xì)胞外和細(xì)胞內(nèi)的液體環(huán)境，分析了環(huán)境pH 值發(fā)生改變時(shí)，細(xì)胞內(nèi)外流體的光譜變化，結(jié)合連續(xù)小波變換和偏最小二乘回歸建立了定量分析模型，發(fā)現(xiàn)利用水的特征吸收可以準(zhǔn)確測(cè)定細(xì)胞內(nèi)外的pH值。通過(guò)變量選擇方法，選取了與水分子結(jié)構(gòu)相關(guān)的重要波數(shù)變量，如圖4所示，這些波數(shù)與不同氫鍵的水分子結(jié)構(gòu)相對(duì)應(yīng)。其中，自由水分子的光譜強(qiáng)度與pH值呈較強(qiáng)的線性關(guān)系，相比于其它水結(jié)構(gòu)具有更高的準(zhǔn)確性和靈敏度。因此，具有不同氫鍵結(jié)構(gòu)的水分子可作為生物體系的探針，通過(guò)測(cè)定pH值監(jiān)測(cè)實(shí)際生物樣品的癌變情況。該方法為理解和監(jiān)測(cè)細(xì)胞內(nèi)外環(huán)境組成變化提供了新的視角。利用水的光譜變化可以探測(cè)腫瘤細(xì)胞與正常細(xì)胞之間的差異，這對(duì)于癌癥的非侵入性、高靈敏度檢測(cè)具有潛在的應(yīng)用價(jià)值。

3 總結(jié)與展望

采用近紅外光譜技術(shù)對(duì)生物組織或者體液樣本中的化學(xué)組成進(jìn)行分析已成為識(shí)別不同疾病狀態(tài)的重要手段，特別是在癌癥診斷中，相較于傳統(tǒng)診斷方法，近紅外光譜的無(wú)損、快速等優(yōu)勢(shì)使其具有巨大的應(yīng)用潛力。結(jié)合化學(xué)計(jì)量學(xué)方法，能夠有效地提升近紅外光譜癌癥診斷模型的性能。通過(guò)深度學(xué)習(xí)方法挖掘高光譜成像數(shù)據(jù)，可有效展現(xiàn)病變組織的空間信息，不僅能判別生物體是否癌變，還能準(zhǔn)確識(shí)別腫瘤區(qū)域的邊界。目前，近紅外光譜技術(shù)在癌癥診斷方面的研究多用于生物組織樣本，然而，相對(duì)于病理組織，血液和尿液等生物流體更易獲取，更能體現(xiàn)近紅外光譜非侵入性檢測(cè)的優(yōu)勢(shì)，因此，基于體液的癌癥檢測(cè)具有廣闊的應(yīng)用前景。基于近紅外光譜對(duì)水的高靈敏度，利用水光譜變化提取癌癥相關(guān)的化學(xué)組成和分子之間相互作用的信息，為近紅外光譜在生物和生命體系分析中的應(yīng)用提供了新的研究思路。隨著研究的不斷深入，癌癥相關(guān)的水光譜特征將進(jìn)一步得到挖掘，為探索和理解化學(xué)和生物過(guò)程的作用與功能提供重要的信息來(lái)源。

References

[1] BE? K B， GRABSKA J， HUCK C W. Molecules， 2020， 25（12）： 2948.

[2] ALI J H， WANG W B， ZEVALLOS M， ALFANO R R. Technol. Cancer Res. Treat. ， 2004， 3（5）： 491-497.

[3] YU G. J. Biomed. Opt. ， 2012， 17（1）： 010901.

[4] TSENKOVA R. J. Near Infrared Spectrosc. ， 2009， 17（6）： 303-313.

[5] J?BSIS F F. Science， 1977， 198（4323）： 1264-1267.

[6] SAKUDO A. Clin. Chim. Acta， 2016， 455： 181-188.

[7] HAN T， LIU J， LIU R， CHEN W， YAO M， LIU X， GE Q， ZHANG Z， LI C， WANG Y， ZHAO P， SUN D， XU K. Appl.Spectrosc. ， 2022， 76（9）： 1100-1111.

[8] YANG Y， PAN T， ZHANG J. Am. J. Anal. Chem. ， 2019， 10（5）： 143-152.

[9] VITORINO R， BARROS A S， GUEDES S， CAIXETA D C， SABINO-SILVA R. Photodiagn. Photodyn. Ther. ， 2023， 42：103633.

[10] KONDEPATI V R， HEISE H M， BACKHAUS J. Anal. Bioanal. Chem. ， 2008， 390（1）： 125-139.

[11] WANG H， CHEN P， DAI J， LIU D， LI JING XU Y， CHU X. TrAC， Trends Anal. Chem. ， 2022， 153： 116648.

[12] BIAN X， ZHAO Z， LIU J， LIU P， SHI H， TAN X. Anal. Methods， 2023， 15（39）： 5190-5198.

[13] XU Z， TALPUR Z H， YANG W， XIONG Y， WU T， ZHANG Y， SHEN X， DU Y. Talanta， 2022， 248： 123608.

[14] CHEN Pu， DAI Jia-Wei， LI Jing-Yan， XU Yu-Peng， LIU Dan， CHU Xiao-Li. Chem. Reagents （Beijing， China）， 2023， 45（6）：105-112.

陳瀑， 戴嘉偉， 李敬巖， 許育鵬， 劉丹， 褚小立. 化學(xué)試劑， 2023， 45（6）： 105-112.

[15] SAVITZKY A， GOLAY M J E. Anal. Chem. ， 1964， 36（8）： 1627-1639.

[16] EHLEN L， ZABARYLO U J， SPEICHINGER F， BOGOMOLOV A， BELIKOVA V， BIBIKOVA O， ARTYUSHENKO V，MINET O， BEYER K， KREIS M E， KAMPHUES C. J. Surg. Res. ， 2019， 242： 349-356.

[17] HURSKAINEN M O， SARIN J K， MYLLYMAA S， GONZáLEZ-ARRIAGADA W A， KULLAA A， LAPPALAINEN R.Appl. Sci. ， 2021， 11（20）： 9662.

[18] SHAO X， MA C. Chemom. Intell. Lab. Syst. ， 2003， 69（1-2）： 157-165.

[19] LEUNG A K， CHAU F， GAO J. Anal. Chem. ， 1998， 70（24）： 5222-5229.

[20] SHAO X G， LEUNG A K M， CHAU F T. Acc. Chem. Res. ， 2003， 36（4）： 276-283.

[21] XU X， HAN L， ZHENG Z， ZHAO R， LI L， SHAO X， LI G. Anal. Chem. ， 2023， 95（4）： 2221-2228.

[22] CHEN H， LIN Z， MO L， WU H， WU T， TAN C. Spectrochim. Acta， Part A， 2015， 151： 286-291.

[23] HAN L， SUN Y， WANG Y， FU H， DUAN C， WANG M， CAI W， SHAO X. Spectrochim. Acta， Part A， 2023， 289： 122233.

[24] ZHAI Wei， XIANG Yu-Hong， DAI Yin-Mei， ZHANG Jia-Jin， ZHANG Zhuo-Yong. Spectrosc. Spectral Anal. ， 2011， 31（4）：932-936.

翟瑋， 相玉紅， 代蔭梅， 張家進(jìn)， 張卓勇. 光譜學(xué)與光譜分析， 2011， 31（4）： 932-936.

[25] ZHANG J， ZHANG Z， XIANG Y， DAI Y， HARRINGTON P B. Talanta， 2011， 83（5）： 1401-1409.

[26] LIU N， GUO Y， JIANG H， YI W. J. Biomed. Opt. ， 2020， 25（6）： 066005.

[27] YI W， CUI D， LI Z， WU L， SHEN A， HU J. Spectrochim. Acta. Part A， 2013， 101： 127-131.

[28] JANG E， VU T D， CHOI D， JUNG Y K， LEE K G， CHUNG H. Analyst， 2019， 144（24）： 7236-7241.

[29] CHEN H， LIN Z， MO L， WU T， TAN C. Biomed. Res. Int. ， 2015， 2015： 472197.

[30] ZUFRY H， MUNAWAR A A. Appl. Spectrosc. ， 2024， 78（6）： 627-632.

[31] ZHU J， YANG C， SONG S， WANG R， GU L， CHEN Z. Anal. Biochem. ， 2023， 669： 115120.

[32] YIM A， ALBERTO M， SHARMA V， GREEN A， MCLEAN A， DU PLESSIS J， WONG L M， WOOD B， ISCHIA J， RAMAN J， BOLTON D. BJU Int. ， 2024， 133（S4）： 44-52.

[33] LIU X， AN H， CAI W， SHAO X. TrAC， Trends Anal. Chem. ， 2024， 172： 117612.

[34] YAN T， DUAN L， CHEN X， GAO P， XU W. RSC Adv. ， 2020， 10（68）： 41936-41945.

[35] DONG F， BI Y， HAO J， LIU S， YI W， YU W， LV Y， CUI J， LI H， XIAN J， CHEN S， WANG S. Food Chem. ， 2024， 440：138040.

[36] SHANG H， SHANG L， WU J， XU Z， ZHOU S， WANG Z， WANG H， YIN J. Spectrochim. Acta， Part A， 2023， 287： 121990.

[37] ZHANG X， YANG Y， WANG Y， FAN Q. Molecules， 2019， 24（12）： 2238.

[38] HE H， YAN S， LYU D， XU M， YE R， ZHENG P， LU X， WANG L， REN B. Anal. Chem. ， 2021， 93（8）： 3653-3665.

[39] KHAN U， PAHEDING S， ELKIN C P， DEVABHAKTUNI V K. IEEE Access， 2021， 9： 79534-79548.

[40] MUNIZ F B， BAFFA M F O， GARCIA S B， BACHMANN L， FELIPE J C. Comput. Methods Programs Biomed. ， 2023， 231：107388.

[41] LIU S， WANG Q， ZHANG G， DU J， HU B， ZHANG Z. Anal. Methods， 2020， 12（30）： 3844-3853.

[42] ORTEGA S， HALICEK M， FABELO H， GUERRA R， LOPEZ C， LEJAUNE M， GODTLIEBSEN F， CALLICO G M， FEI B.

Proc. SPIE-Int. Soc. Opt. Eng. ， 2020， 11320： 113200V.

[43] MA L， LU G， WANG D， QIN X， CHEN Z G， FEI B. Vis. Comput. Ind. Biomed. Art. ， 2019， 2（1）： 18.

[44] TRAJANOVSKI S， SHAN C， WEIJTMANS P J C， DE KONING S G B， RUERS T J M. IEEE Trans. Biomed. Eng. ， 2021，68（4）： 1330-1340.

[45] FANTINI S， SASSAROLI A. Ann. Biomed. Eng. ， 2012， 40（2）： 398-407.

[46] GROSENICK D， RINNEBERG H， CUBEDDU R， TARONI P. J. Biomed. Opt. ， 2016， 21（9）： 091311.

[47] HIROSAWA N， SAKAMOTO Y， KATAYAMA H， TONOOKA S， YANO K. Anal. Biochem. ， 2002， 305（2）： 156-165.

[48] CHUNG S H， CERUSSI A E， KLIFA C， BAEK H M， BIRGUL O， GULSEN G， MERRITT S I， HSIANG D， TROMBERG B J. Phys. Med. Biol. ， 2008， 53（23）： 6713-6727.

[49] VERMASSEN T， DE BRUYNE S， HIMPE J， LUMEN N， CALLEWAERT N， ROTTEY S， DELANGHE J. Int. J. Mol. Sci. ，2019， 20（7）： 1592.

[50] TRUONG B C， TUAN H D， NGUYEN H T. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. ， 2013： 33-36.

[51] KINOSHITA K， MIYAZAKI M， MORITA H， VASSILEVA M， TANG C， LI D， ISHIKAWA O， KUSUNOKI H， TSENKOVA R. Sci. Rep. ， 2012， 2： 856.

[52] TSENKOVA R N， IORDANOVA I K， TOYODA K， BROWN D R. Biochem. Biophys. Res. Commun. ， 2004， 325（3）： 1005-1012.

[53] JINENDRA B， TAMAKI K， KUROKI S， VASSILEVA M， YOSHIDA S， TSENKOVA R. Biochem. Biophys. Res. Commun. ，2010， 397（4）： 685-690.

[54] RAYPAH M E， MUNCAN J， SUDIK S， OMAR A F， MAIL M H， TSENKOVA R， SEENI A. Chemom. Intell. Lab. Syst. ，2022， 227： 104611.

[55] HEIDEN M G V， CANTLEY L C， THOMPSON C B. Science， 2009， 324（5930）： 1029-1033.

[56] LIU Y， ZHANG Q， XING B， LUO N， GAO R， YU K， HU X， BU Z， PENG J， REN X， ZHANG Z. Cancer Cell， 2022， 40（4）：424-437.e5.

[57] APOSTOLOVA P， PEARCE E L. Trends Immunol. ， 2022， 43（12）： 969-977.

[58] BARROSO E M， SMITS R W H， BAKKER S T C， HOVE I T， HARDILLO J A， WOLVIUS E B， BAATENBURG DE JONG R J， KOLJENOVI? S， PUPPELS G J. Anal. Chem. ， 2015， 87（4）： 2419-2426.

[59] HOSONUMA M， YOSHIMURA K. Front. Oncol. ， 2023， 13： 1175563.

[60] LI J， LIANG F， HAN L， YU X， LIU D， CAI W， SHAO X. Chemosensors， 2023， 11（8）： 425.

天津市教委科研計(jì)劃項(xiàng)目（No. 2022ZD053）資助。