利用偏最小二乘法（PLS）結合拉曼光譜技術，建立了血液中紫杉醇含量的預測模型。本實驗利用拉曼光譜對 312 個樣本進行了掃描，采用高效液相色譜技術（HPLC）對血液中紫杉醇含量進行了常規分析，利用蒙特卡羅偏最小二乘法（MCPLS）剔除異常樣本，確定了校準集和預測集，采用可移動窗口偏最小二乘法（MWPLS）以逼近度（Da）為指標優化了最佳預處理方法、波長變量和隱變量數等參數，并最終建立了紫杉醇的預測模型。其校準集和預測集的預測值與真實值之間的相關系數（Rc2 和 Rp2）分別為 0.933 1 和 0.926 4。最后對預測模型進行了獨立驗證實驗，結果表明 20 個驗證樣本的相關誤差為 9.36%±2.03%，表明模型具有很好的擬合度和預測能力。
引用本文： 滕美玉, 宋佳, 趙毅, 逯城宇, 邢高楊, 李蘭洲, 閆國棟, 王迪. 拉曼光譜結合偏最小二乘法分析大鼠血液中紫杉醇含量. 生物醫學工程學雜志, 2018, 35(4): 578-582. doi: 10.7507/1001-5515.201607051 復制
引言
紫杉醇為紅豆杉的次級代謝產物，是從紅豆杉中獲得的復合雙萜。紫杉醇化學名為 5β，20-環氧-1，2α，4，7β，10β，13α-六羥基紫杉烷-11-烯-9-酮-4，10-二乙酸酯-2-苯甲酸酯-13［（2‘R，3’S）-N-苯甲酰-3-苯基異絲氨酸酯］。紫杉醇的分子量為 853.92 Da，分子式為 C47H51NO14[1]。它可以與促進微管聚合的 β 微管蛋白相互作用產生細胞毒性進而達到抗癌活性[2]。即使在不存在鳥苷三磷酸的條件下，紫杉醇也可以結合到微管蛋白 β 亞單位，促進微管蛋白 α 和 β 亞單位聚合，穩定微管，從而發揮抗癌作用[3]。紫杉醇是臨床上廣泛應用的抗癌藥物，已用于治療卵巢轉移癌、膀胱癌、肺癌、食管癌等[4]。準確而快速地測定紫杉醇含量，對于紫杉醇的臨床應用具有重要意義。
拉曼光譜是印度物理學家拉曼（Sir C. V. Raman）于 1928 年首次發現的。拉曼光譜是一種非彈性散射的電磁輻射，是分子振動和輻射之間能量交換的結果[5]。在入射光和樣本分子中發生能量交換，這種非彈性的散射稱為拉曼反應。拉曼光譜具有無損傷和高特異性的優點[6]，是快速檢測及鑒定領域的新興技術。在目前的研究中，拉曼光譜已在各個領域當中得到應用。在食品檢測中，拉曼光譜已被用于牛奶中三聚氰胺的檢測[7]；在食品加工產業中，拉曼光譜已被用于對豬肉質量的檢測[8]以及對肉制品烹制溫度的預測[9]。
偏最小二乘法（partial least square，PLS）具有很好的選擇性和預測準確性，適用于復雜的多組分光譜[10]，是使用最廣泛的多變量校準方法之一。PLS 能夠消除數據中共線性的影響，有效降低光譜數據維度。在目前的研究中，PLS 被用于建立物質含量預測模型，例如對總花色苷含量的預測[11]。此外，波長的選擇、異常值的剔除、校準集和預測集的選擇都決定了模型的預測精準度，而蒙特卡羅偏最小二乘法（Monte Carlo partial least square，MCPLS）常用于剔除光譜樣本中的異常值。
本文嘗試采用 PLS 結合拉曼光譜建立紫杉醇含量的定量分析技術，通過對最優光譜預處理的篩選，篩選波長變量和隱含層數，獲得最優的逼近度（degree of approach，Da）值，進而篩選出最優的預測模型，以達到準確和快速地測定紫杉醇含量。
1 實驗部分
1.1 材料
紫杉醇（江蘇紅豆杉藥業有限公司）；聚氧乙烯蓖麻油（上海共振生物科技有限公司）；乙醇（北京化工廠）；乙酸乙酯（國藥集團化學試劑有限公司）；乙腈（北京化工廠）。
1.2 動物飼養
實驗方案經吉林大學實驗動物中心許可（許可證號 SCXK-（JI）2013-0003）。SD 大鼠（6 周齡，180～220 g，雄性）容納在透明塑料籠中，并保持在 12 h 明/暗循環光照中（開燈時間 7:00–19:00），溫度（23 ± 1）℃，自由飲水進食。實驗 8 h 前，動物禁食、自由飲水。所有的實驗均在安靜的房間內進行，并且單鼠單籠。共納入 26 只 SD 大鼠，每只取 12 份血樣，共計 312 份血樣。
1.3 血漿樣品制備
將 100～600 ng 的紫杉醇溶解在混合溶液［聚氧乙烯蓖麻油∶乙醇（體積/體積） = 1∶1］中，然后將一定量的紫杉醇溶液加入到大鼠血漿中。振蕩數次，在 37℃ 下孵育 30 min，血漿樣品的處理參照之前發表過的方法[12]稍作修改。取 800 μL 乙酸乙酯，加入到 100 μL 的血漿樣品中，經 1 min 渦旋混合后，將溶液以 10 000 r·min–1 離心 10 min，共離心兩次。將有機層分離并在 37℃ 氮氣下蒸干，殘余物溶解于 100 μL 乙腈，渦旋混合 1 min。溶液以 10 000 r·min–1 離心 10 min 后，將離心液轉移到注射瓶中進行高效液相色譜（high performance liquid chromatography，HPLC）分析。
1.4 紫杉醇含量的測定
本實驗所用的色譜柱為 Agilent ZORBAX Ecipse XDB-C18 柱（4.6 mm × 250 mm，5 μm），配制流動相為甲醇∶水∶乙腈的體積比為 23∶41∶36，液相流速為 1.0 mL·min–1，檢測波長為 227 nm，柱溫為 40℃，樣品的進樣量為 20 μL。高效液相色譜圖如圖 1 所示。
圖1
紫杉醇化學結構及高效液相色譜圖
Figure1.
The chromatogram and structure of paclitaxel
1.5 拉曼光譜數據
本實驗利用 InVia Raman Microscope 光譜對 312 個紫杉醇血漿樣本進行隨機掃描，掃描波長范圍為 0～4 500 nm，掃描間隔為 1 nm，入射夾縫寬為 12 nm。每個樣本掃描三次，取平均值（如圖 2 所示）。
圖2
紫杉醇血漿樣本拉曼光譜平均值
Figure2.
The average of Raman spectroscopy of plasma paclitaxel samples
1.6 建立 PLS 定量分析模型
程序腳本的編寫采用 Matlab2010Ra（美國 Math Works）軟件。
1.6.1 MCPLS 對異常樣本的剔除
樣本進行留一交互驗證用來篩選初始隱變量數（hidden variables，nLV），如式（1）所示，當為校準集時，結果為校準集均方根誤差（root mean square errors of calibration，RMSEC）；當為預測集時，結果為預測集均方根誤差（root mean square errors of prediction，RMSEP）。
 |
式中 n 為樣品數量，yp 為實驗值，yr 為預測值。
利用 MCPLS 進行樣品異常值的剔除，隨機選擇 50% 的樣品作為校準集建立 PLS 模型，其余的樣品作為預測集，反復進行 10 000 次，保證每個樣品都充當過預測集。計算預測集樣品中的預測殘差（predictive residual error，PRE）、平均預測殘差（the mean of the PRE，MPRE）和標準偏差（standard deviation of PRE，SDPRE）。根據散點圖，將同時具有較高 MPRE 和較高 SDPRE 的數值作為異常值剔除。
1.6.2 校準集的建立
為了防止過擬合現象，隨機選取樣品數的 10%、20%、30%、40%、50%、60%、70%、80%、90% 作為校準集進行 PLS 模型的建立，其余作為預測集，反復進行 50 000 次計算，計算擬合度（degree of fitting，Df）如式（2）所示，擬合度的相對標準偏差（relative standard deviation，RSDDa）與對應的校準集數作圖（其中 c 值為 10），選擇 RSDDa 最小的校準集數作為校準集的樣品數。
 |
式中，nc 為校準集樣品數，np 為預測集樣品數，c 為常數。
1.6.3 PLS 定量分析模型的建立
采用快速傅里葉變換（fast Fourier transform，FFT）、卷積平滑（savitzky-golay smoothing）、一階導數（first derivative，1st）和二階導數（second derivative，2nd）對原始光譜進行除噪處理，選擇窗口為 5、7、9、11、13 和 15 時的除噪效果，利用可移動偏最小二乘法（moving window partial least square，MWPLS）優選 PLS 模型建立中的窗口（W）和隱變量數（nLV）等，獲得 PLS 定量分析模型。模型篩選中以逼近度 Da 為評價指標［如式（3）所示］，最高值則為模型參數最優。其中 nLV 值范圍為 1～20，間隔為 1；W 值分別為 25、49、74、98、123、148、172、197、221、246、271、295、320、345 和 369（所有波長點數 1%～15%）；nW 范圍值為 5～75，間隔為 5。
 |
1.6.4 獨立驗證實驗
20 只大鼠分別給予 1～5 mg·kg–1 紫杉醇隨機尾靜脈注射。大鼠尾靜脈取約 1.0 mL 血。將樣品 4 000 r·min–1 離心 10 min。取上清轉移到新的 1.5 mL EP 管并儲存于–80℃ 用于分析。20 個血漿樣品作為獨立驗證集來測試性能最佳的定量分析模型。對實驗值和預測值進行線性擬合分析，以可決系數（亦稱確定系數）R2 為模型預測效果的評價指標。R2 的值越接近 1，說明回歸直線對觀測值的擬合程度越好，模型的預測效果越好。
2 結果與討論
2.1 異常值的剔除及校準集樣本的選擇
在實驗的過程中，人為因素、儀器誤差均有可能造成對樣本信息的采集錯誤，這些錯誤數據對模型的建立產生了不利的影響，需要予以剔除[13]。利用 MCPLS 對樣本進行篩選，MPRE 和 SDPRE 值較高的樣本數據被視為異常值并剔除，本實驗中共剔除了 11 個異常樣本（見圖 3）。
圖3
利用平均預測殘差與標準偏差選擇建模樣本
Figure3.
Sample selection for modeling via MPRE versus SDPRE
為了防止模型的過擬合[14]，實驗中按照 1.6.2 所述，以 RSDDa 為評價指標，采用 MCPLS 建立血漿中紫杉醇拉曼光譜定量分析模型的校準集樣本數，通過計算，當校準集為總樣本的 50% 時 RSDDa 最低（見圖 4）。校準集和預測集樣本的紫杉醇含量統計結果如表 1 所示。
圖4
校準集比例對 RSDDa 的影響
Figure4.
The influence of calibration set ratio on RSDDa
表1
血漿中紫杉醇含量統計值
Table1.
The statistics of plasma paclitaxel
2.2 血漿中的紫杉醇濃度 PLS 預測模型
為了獲得最優的定量 PLS 模型，根據 Da 值，進一步篩選隱變量數（nLV，1～20）、窗口大小（W，25～369）和波長變量（nW，5～75）。為了消除人為和儀器對樣本信息采集的干擾[15]，實驗中分別運用卷積平滑、導數變換和快速傅里葉變換進行光譜除噪和消除基線漂移。通過 MWPLS 確定波長和 Da 值之間的關系，在 1%～15% 波長變量范圍內，共選擇 125 個波長變量用來建立紫杉醇含量的質量分析模型（見圖 5）。
圖5
波長和 Da 值的關系
Figure5.
The relationship between wavelengths and Da value
如表 2 所示，卷積平滑處理可有效去除光譜噪音，使模型的擬合度及預測能力達到良好平衡。當 W 為 49、nLV 為 5、nW 為 5 時，Da 最大，模型效果最佳。
在得到紫杉醇含量的最優 PLS 模型基礎上，進行模型的預測值與真實值之間的相關性考察。結果顯示，模型的預測能力很好，并且未出現過擬合現象，模型的 Rc2 和 Rp2 分別為 0.933 1 和 0.926 4（見圖 6）。
表2
光譜預處理方法及相關參數對 PLS 法建立的紫杉醇定量分析模型相關指標的影響
Table2.
The result of suitable spectra preprocessing methods and related indexes in PLS models for paclitaxel quantitative analysis
圖6
校準集及預測集中實驗值和預測值的相關性
Figure6.
The correlation between experimental values and pre dictive values of paclitaxel in both calibration set and validation set
2.3 獨立驗證
采用 20 個獨立的紫杉醇血漿樣本驗證模型的預測性能，結果表明，20 個樣本的實驗值為 （24.42 ± 16.18） ng·mL–1，預測值為 （24.80 ± 15.57） ng·mL–1。20 個驗證樣本的相關誤差為 9.36% ± 2.03%。實驗表明，拉曼光譜結合 PLS 可以很成功地分析血液中紫杉醇的含量（見圖 7）。
圖7
利用獨立驗證集檢測最佳偏最小二乘法模型的預測能力
Figure7.
The performance of optimum PLS model was tested by independent validation set
3 結論
已有研究表明，拉曼光譜在物質含量的預測中已有很廣泛的應用，例如在食品生產和檢測行業[7-9]，而在紫杉醇含量的預測上，還沒有相關報道。本實驗第一次利用拉曼光譜對大鼠血液中紫杉醇代謝進行預測，采用 PLS 結合拉曼光譜建立血液中紫杉醇含量的定量分析模型，經過優化篩選，最優分析模型的預測能力能達到 92.46%。
本實驗證實了利用拉曼光譜結合化學計量學的方法，能夠有效地篩選信息，去除噪音以及無效波長變量，大大減少輸入矩陣，從而減少計算量，縮短計算時間，進而達到對血液中的紫杉醇含量進行快速、無損的分析；并且，模型的泛化能力強、預測精準度高，能夠滿足實際檢測的應用。
引言
紫杉醇為紅豆杉的次級代謝產物，是從紅豆杉中獲得的復合雙萜。紫杉醇化學名為 5β，20-環氧-1，2α，4，7β，10β，13α-六羥基紫杉烷-11-烯-9-酮-4，10-二乙酸酯-2-苯甲酸酯-13［（2‘R，3’S）-N-苯甲酰-3-苯基異絲氨酸酯］。紫杉醇的分子量為 853.92 Da，分子式為 C47H51NO14[1]。它可以與促進微管聚合的 β 微管蛋白相互作用產生細胞毒性進而達到抗癌活性[2]。即使在不存在鳥苷三磷酸的條件下，紫杉醇也可以結合到微管蛋白 β 亞單位，促進微管蛋白 α 和 β 亞單位聚合，穩定微管，從而發揮抗癌作用[3]。紫杉醇是臨床上廣泛應用的抗癌藥物，已用于治療卵巢轉移癌、膀胱癌、肺癌、食管癌等[4]。準確而快速地測定紫杉醇含量，對于紫杉醇的臨床應用具有重要意義。
拉曼光譜是印度物理學家拉曼（Sir C. V. Raman）于 1928 年首次發現的。拉曼光譜是一種非彈性散射的電磁輻射，是分子振動和輻射之間能量交換的結果[5]。在入射光和樣本分子中發生能量交換，這種非彈性的散射稱為拉曼反應。拉曼光譜具有無損傷和高特異性的優點[6]，是快速檢測及鑒定領域的新興技術。在目前的研究中，拉曼光譜已在各個領域當中得到應用。在食品檢測中，拉曼光譜已被用于牛奶中三聚氰胺的檢測[7]；在食品加工產業中，拉曼光譜已被用于對豬肉質量的檢測[8]以及對肉制品烹制溫度的預測[9]。
偏最小二乘法（partial least square，PLS）具有很好的選擇性和預測準確性，適用于復雜的多組分光譜[10]，是使用最廣泛的多變量校準方法之一。PLS 能夠消除數據中共線性的影響，有效降低光譜數據維度。在目前的研究中，PLS 被用于建立物質含量預測模型，例如對總花色苷含量的預測[11]。此外，波長的選擇、異常值的剔除、校準集和預測集的選擇都決定了模型的預測精準度，而蒙特卡羅偏最小二乘法（Monte Carlo partial least square，MCPLS）常用于剔除光譜樣本中的異常值。
本文嘗試采用 PLS 結合拉曼光譜建立紫杉醇含量的定量分析技術，通過對最優光譜預處理的篩選，篩選波長變量和隱含層數，獲得最優的逼近度（degree of approach，Da）值，進而篩選出最優的預測模型，以達到準確和快速地測定紫杉醇含量。
1 實驗部分
1.1 材料
紫杉醇（江蘇紅豆杉藥業有限公司）；聚氧乙烯蓖麻油（上海共振生物科技有限公司）；乙醇（北京化工廠）；乙酸乙酯（國藥集團化學試劑有限公司）；乙腈（北京化工廠）。
1.2 動物飼養
實驗方案經吉林大學實驗動物中心許可（許可證號 SCXK-（JI）2013-0003）。SD 大鼠（6 周齡，180～220 g，雄性）容納在透明塑料籠中，并保持在 12 h 明/暗循環光照中（開燈時間 7:00–19:00），溫度（23 ± 1）℃，自由飲水進食。實驗 8 h 前，動物禁食、自由飲水。所有的實驗均在安靜的房間內進行，并且單鼠單籠。共納入 26 只 SD 大鼠，每只取 12 份血樣，共計 312 份血樣。
1.3 血漿樣品制備
將 100～600 ng 的紫杉醇溶解在混合溶液［聚氧乙烯蓖麻油∶乙醇（體積/體積） = 1∶1］中，然后將一定量的紫杉醇溶液加入到大鼠血漿中。振蕩數次，在 37℃ 下孵育 30 min，血漿樣品的處理參照之前發表過的方法[12]稍作修改。取 800 μL 乙酸乙酯，加入到 100 μL 的血漿樣品中，經 1 min 渦旋混合后，將溶液以 10 000 r·min–1 離心 10 min，共離心兩次。將有機層分離并在 37℃ 氮氣下蒸干，殘余物溶解于 100 μL 乙腈，渦旋混合 1 min。溶液以 10 000 r·min–1 離心 10 min 后，將離心液轉移到注射瓶中進行高效液相色譜（high performance liquid chromatography，HPLC）分析。
1.4 紫杉醇含量的測定
本實驗所用的色譜柱為 Agilent ZORBAX Ecipse XDB-C18 柱（4.6 mm × 250 mm，5 μm），配制流動相為甲醇∶水∶乙腈的體積比為 23∶41∶36，液相流速為 1.0 mL·min–1，檢測波長為 227 nm，柱溫為 40℃，樣品的進樣量為 20 μL。高效液相色譜圖如圖 1 所示。
圖1
紫杉醇化學結構及高效液相色譜圖
Figure1.
The chromatogram and structure of paclitaxel
1.5 拉曼光譜數據
本實驗利用 InVia Raman Microscope 光譜對 312 個紫杉醇血漿樣本進行隨機掃描，掃描波長范圍為 0～4 500 nm，掃描間隔為 1 nm，入射夾縫寬為 12 nm。每個樣本掃描三次，取平均值（如圖 2 所示）。
圖2
紫杉醇血漿樣本拉曼光譜平均值
Figure2.
The average of Raman spectroscopy of plasma paclitaxel samples
1.6 建立 PLS 定量分析模型
程序腳本的編寫采用 Matlab2010Ra（美國 Math Works）軟件。
1.6.1 MCPLS 對異常樣本的剔除
樣本進行留一交互驗證用來篩選初始隱變量數（hidden variables，nLV），如式（1）所示，當為校準集時，結果為校準集均方根誤差（root mean square errors of calibration，RMSEC）；當為預測集時，結果為預測集均方根誤差（root mean square errors of prediction，RMSEP）。
|
式中 n 為樣品數量，yp 為實驗值，yr 為預測值。
利用 MCPLS 進行樣品異常值的剔除，隨機選擇 50% 的樣品作為校準集建立 PLS 模型，其余的樣品作為預測集，反復進行 10 000 次，保證每個樣品都充當過預測集。計算預測集樣品中的預測殘差（predictive residual error，PRE）、平均預測殘差（the mean of the PRE，MPRE）和標準偏差（standard deviation of PRE，SDPRE）。根據散點圖，將同時具有較高 MPRE 和較高 SDPRE 的數值作為異常值剔除。
1.6.2 校準集的建立
為了防止過擬合現象，隨機選取樣品數的 10%、20%、30%、40%、50%、60%、70%、80%、90% 作為校準集進行 PLS 模型的建立，其余作為預測集，反復進行 50 000 次計算，計算擬合度（degree of fitting，Df）如式（2）所示，擬合度的相對標準偏差（relative standard deviation，RSDDa）與對應的校準集數作圖（其中 c 值為 10），選擇 RSDDa 最小的校準集數作為校準集的樣品數。
|
式中，nc 為校準集樣品數，np 為預測集樣品數，c 為常數。
1.6.3 PLS 定量分析模型的建立
采用快速傅里葉變換（fast Fourier transform，FFT）、卷積平滑（savitzky-golay smoothing）、一階導數（first derivative，1st）和二階導數（second derivative，2nd）對原始光譜進行除噪處理，選擇窗口為 5、7、9、11、13 和 15 時的除噪效果，利用可移動偏最小二乘法（moving window partial least square，MWPLS）優選 PLS 模型建立中的窗口（W）和隱變量數（nLV）等，獲得 PLS 定量分析模型。模型篩選中以逼近度 Da 為評價指標［如式（3）所示］，最高值則為模型參數最優。其中 nLV 值范圍為 1～20，間隔為 1；W 值分別為 25、49、74、98、123、148、172、197、221、246、271、295、320、345 和 369（所有波長點數 1%～15%）；nW 范圍值為 5～75，間隔為 5。
|
1.6.4 獨立驗證實驗
20 只大鼠分別給予 1～5 mg·kg–1 紫杉醇隨機尾靜脈注射。大鼠尾靜脈取約 1.0 mL 血。將樣品 4 000 r·min–1 離心 10 min。取上清轉移到新的 1.5 mL EP 管并儲存于–80℃ 用于分析。20 個血漿樣品作為獨立驗證集來測試性能最佳的定量分析模型。對實驗值和預測值進行線性擬合分析，以可決系數（亦稱確定系數）R2 為模型預測效果的評價指標。R2 的值越接近 1，說明回歸直線對觀測值的擬合程度越好，模型的預測效果越好。
2 結果與討論
2.1 異常值的剔除及校準集樣本的選擇
在實驗的過程中，人為因素、儀器誤差均有可能造成對樣本信息的采集錯誤，這些錯誤數據對模型的建立產生了不利的影響，需要予以剔除[13]。利用 MCPLS 對樣本進行篩選，MPRE 和 SDPRE 值較高的樣本數據被視為異常值并剔除，本實驗中共剔除了 11 個異常樣本（見圖 3）。
圖3
利用平均預測殘差與標準偏差選擇建模樣本
Figure3.
Sample selection for modeling via MPRE versus SDPRE
為了防止模型的過擬合[14]，實驗中按照 1.6.2 所述，以 RSDDa 為評價指標，采用 MCPLS 建立血漿中紫杉醇拉曼光譜定量分析模型的校準集樣本數，通過計算，當校準集為總樣本的 50% 時 RSDDa 最低（見圖 4）。校準集和預測集樣本的紫杉醇含量統計結果如表 1 所示。
圖4
校準集比例對 RSDDa 的影響
Figure4.
The influence of calibration set ratio on RSDDa
表1
血漿中紫杉醇含量統計值
Table1.
The statistics of plasma paclitaxel
2.2 血漿中的紫杉醇濃度 PLS 預測模型
為了獲得最優的定量 PLS 模型，根據 Da 值，進一步篩選隱變量數（nLV，1～20）、窗口大小（W，25～369）和波長變量（nW，5～75）。為了消除人為和儀器對樣本信息采集的干擾[15]，實驗中分別運用卷積平滑、導數變換和快速傅里葉變換進行光譜除噪和消除基線漂移。通過 MWPLS 確定波長和 Da 值之間的關系，在 1%～15% 波長變量范圍內，共選擇 125 個波長變量用來建立紫杉醇含量的質量分析模型（見圖 5）。
圖5
波長和 Da 值的關系
Figure5.
The relationship between wavelengths and Da value
如表 2 所示，卷積平滑處理可有效去除光譜噪音，使模型的擬合度及預測能力達到良好平衡。當 W 為 49、nLV 為 5、nW 為 5 時，Da 最大，模型效果最佳。
在得到紫杉醇含量的最優 PLS 模型基礎上，進行模型的預測值與真實值之間的相關性考察。結果顯示，模型的預測能力很好，并且未出現過擬合現象，模型的 Rc2 和 Rp2 分別為 0.933 1 和 0.926 4（見圖 6）。
表2
光譜預處理方法及相關參數對 PLS 法建立的紫杉醇定量分析模型相關指標的影響
Table2.
The result of suitable spectra preprocessing methods and related indexes in PLS models for paclitaxel quantitative analysis
圖6
校準集及預測集中實驗值和預測值的相關性
Figure6.
The correlation between experimental values and pre dictive values of paclitaxel in both calibration set and validation set
2.3 獨立驗證
采用 20 個獨立的紫杉醇血漿樣本驗證模型的預測性能，結果表明，20 個樣本的實驗值為 （24.42 ± 16.18） ng·mL–1，預測值為 （24.80 ± 15.57） ng·mL–1。20 個驗證樣本的相關誤差為 9.36% ± 2.03%。實驗表明，拉曼光譜結合 PLS 可以很成功地分析血液中紫杉醇的含量（見圖 7）。
圖7
利用獨立驗證集檢測最佳偏最小二乘法模型的預測能力
Figure7.
The performance of optimum PLS model was tested by independent validation set
3 結論
已有研究表明，拉曼光譜在物質含量的預測中已有很廣泛的應用，例如在食品生產和檢測行業[7-9]，而在紫杉醇含量的預測上，還沒有相關報道。本實驗第一次利用拉曼光譜對大鼠血液中紫杉醇代謝進行預測，采用 PLS 結合拉曼光譜建立血液中紫杉醇含量的定量分析模型，經過優化篩選，最優分析模型的預測能力能達到 92.46%。
本實驗證實了利用拉曼光譜結合化學計量學的方法，能夠有效地篩選信息，去除噪音以及無效波長變量，大大減少輸入矩陣，從而減少計算量，縮短計算時間，進而達到對血液中的紫杉醇含量進行快速、無損的分析；并且，模型的泛化能力強、預測精準度高，能夠滿足實際檢測的應用。
