快速和非侵入性诊断技术对胚胎发育潜力:代谢组学分析基于拉曼光谱识别IVF-ET的妊娠结局gydF4y2Ba

1介绍gydF4y2Ba

众所周知,将潜在的胚胎是一个关键的一部分gydF4y2Ba在体外gydF4y2Ba受精(IVF)。在过去的30年,评估gydF4y2Ba在体外gydF4y2Ba胚胎已大大提高。目前,主要的方法用来评估胚胎可能形态评价和胚胎植入前的基因检测(页面表)。形态学评价可分为传统的静态评价和动态延时评价。传统的静态评估是基于静态观察与特定的时间点。这种方法的优点是,它是简单的执行,但有明显的缺点,如国际米兰和intra-observer差异(gydF4y2BaPaternot, g . et al ., 2011gydF4y2Ba)。此外,该优化方法的胚胎着床率达到只有40% (gydF4y2Ba考夫兰,c . et al ., 2014gydF4y2Ba),这不是令人满意的。延时监测(TLM)技术是一种新的技术评价辅助生殖胚胎形态和发展动态。TLM允许连续图像采集的早期胚胎发育,这样我们可以观察整个胚胎的发育过程。此外,胚胎评分不需要把胚胎从孵化器,它阻止胚胎暴露在室温条件。目前,没有高质量的数据支持,技术极大地提高了临床结果,尽管TLM可能更好地确定胚胎发育潜力(gydF4y2BaKirkegaarad et al ., 2015gydF4y2Ba)。然而,必须指出的是,目前TLM方法需要昂贵的设备。gydF4y2Ba

胚胎植入前的基因检测为非整倍性(PGT-A)从胚胎中提取少量的细胞和利用基因技术来检测这些细胞有99.9%的准确度(gydF4y2BaCapalbo,。,et一个l。,2015)。然而,PGT-A入侵、费时和复杂,可能会导致潜在的损害胚胎如果不能正常执行。结果PGT-A不一定等同于基因信息对整个胚胎由于马赛克的存在。此外,滋养外胚层活检与一个相对DNA含量高会降低出生的机会(gydF4y2BaNeal et al ., 2017gydF4y2Ba)。此外,活检技术可能影响孕产妇和新生儿的结果(gydF4y2Ba瑞尔M。,et一个l。,2020)(gydF4y2BaZhang et al ., 2019gydF4y2Ba)(gydF4y2BaAlteri et al ., 2023gydF4y2Ba)。PGT-A胚泡期胚胎的活产率增加女性患者超过35岁。然而,它没有改善普通人群的临床结果(gydF4y2BaSimopoulou et al ., 2021gydF4y2Ba)。因此,PGT-A并不适合所有患者,和一些病人,即卵巢储备下降、先进的母亲的年龄,或反复植入失败,可能会限制访问。gydF4y2Ba

由于推迟生育,环境污染,增加心理压力,越来越多的病人,包括那些与卵巢储备下降,先进的母亲的年龄,或反复植入失败,正在寻求生育专家的帮助。这些患者临床特征有更少的卵母细胞和/或植入和临床怀孕率低。然而,优质胚胎也可以获得在贫困患者的预后比正常卵巢储备的gydF4y2Ba吴,W。,et一个l。,2020)。患者的胚胎也是如此反复植入失败。卵子染色体异常的概率增加而增加女性年龄(gydF4y2BaPellestor F。,et一个l。,2003)。因此,对于这些患者预后不良,植入和怀孕能力不能准确地预测胚胎通过传统评估方法。gydF4y2Ba

大量的研究已经取得了进展的非侵入性检测技术的应用胚胎细胞发展的评价。非侵入性检测技术常用于胚胎的发育代谢组学包括薄层色谱法(TLC) (gydF4y2BaWiener-Megazi et al ., 2011gydF4y2Ba),近红外(NIR)光谱(gydF4y2BaSeli et al ., 2011gydF4y2Ba),microfluorescence (gydF4y2Ba加德纳et al ., 2011gydF4y2Ba)、酶联免疫吸附试验(ELISA) (gydF4y2BaCombelles et al ., 2012gydF4y2Ba)、核磁共振(NMR)谱(gydF4y2Ba科克加德et al ., 2014gydF4y2Ba)和傅里叶变换红外(FTIR)光谱(gydF4y2Ba穆尼奥斯et al ., 2014gydF4y2Ba)。这些技术可以用来获取信息对代谢组件间接和无创性,完整的定性分析,并评估胚胎的发育质量。相比传统的主观评价方法的胚胎发育潜力,这些技术可以实现定性分析定量生物标记。然而,这些技术,如近红外光谱(gydF4y2BaVergouw et al ., 2014gydF4y2Ba)和红外光谱技术,也有缺陷的检测培养基的解决,影响水吸收光谱的因素,需要提前准备复杂的生化反应。这些方法不仅费用昂贵,而且效率低下。在临床应用,迫切需要一个非侵入式的、快速、抗干扰技术来完成定性分析。gydF4y2Ba

基于分子的拉曼光谱是一种散射光谱振动。激光之中样本来衡量时,激动的光粒子交换能量与物质分子,从而导致频率变化的光粒子。这种被称为拉曼散射光。散射光的频率变化取决于分子键的能量,和分子诊断可以通过使用这种特性(gydF4y2BaCialla-May et al ., 2019gydF4y2Ba)。辅助生殖领域的,拉曼光谱可以作为代谢分析方法以评估生殖细胞的发展。在过去的研究中,拉曼光谱是用来确定胚胎的染色体倍性(gydF4y2Ba梁et al ., 2019gydF4y2Ba),预测可能发展成囊胚根据D3代谢介质(gydF4y2Ba郑et al ., 2021gydF4y2Ba),研究卵母细胞的潜在标记开发多囊卵巢综合征患者根据卵泡液(gydF4y2Ba黄et al ., 2021gydF4y2Ba;gydF4y2BaZhang et al ., 2021gydF4y2Ba)。在目前的研究中,拉曼光谱作为非侵入性检测技术评估培养基中的代谢水平,并决定细胞的生理状态和进一步发展的潜力。gydF4y2Ba

2材料和方法gydF4y2Ba

2.1胚胎培养和发展gydF4y2Ba

女性志愿者接受试管婴儿治疗南京医科大学第一附属医院参与了这个研究。入选标准是基于以下临床特点:先进的产妇年龄、卵巢储备下降,或反复植入失败。所有患者接受轻微的刺激或自然循环治疗。Microdroplet培养皿(25μL /下降)准备在卵母细胞检索。盘子被放置在一个37°C, 6%的公司gydF4y2Ba_2gydF4y2Ba孵化器一夜之间平衡。受精后观察到17 - 18 h受精。经过3天的胚胎培养,胚胎转移或冻结。血清gydF4y2BaβgydF4y2Ba标准浓度> 25 IU / L至少14天胚胎移植后的生化特性应该是积极的。宫内妊娠囊的存在与积极的胎儿心脏活动至少6周post-embryo转移定义为临床妊娠。怀孕超过12周的延续被认为是一个持续的怀孕。早产被定义为交付28至37周的早产儿,出生和术语定义为怀孕37周后交货;早产和出生被称为活产。gydF4y2Ba

2.2临床信息统计gydF4y2Ba

共107个样本的收集废弃的培养基从胚胎细胞移植从这项研究的参与者。相关统计数据的分组标准分类样本分为两组:妊娠组,即由临床结果的样本胚胎细胞移植后出生,和non-pregnancy组,由样本- HCG检测结果胚胎移植后14天。参与者的10个临床特点对应54 non-pregnancy 53怀孕控制样品进行了总结gydF4y2Ba表1gydF4y2Ba。的特性之一是胚胎质量的统计分析,这是分为两类——“好”和“贫穷”的形态。具体来说,胚胎卵裂时期被定义为高质量如果有6 - 12卵裂球3天,包含< 20%无核碎片,even-sized卵裂球,表现出没有明显形态异常。卵裂时期胚胎被定义为低质量胚胎如果他们温和的质量,3天不到5细胞分裂和/或20 - 50%,或质量差,不到三天细胞3和超过50%的碎片。gydF4y2Ba

2.3样本收集和准备gydF4y2Ba

删除后的胚胎,大约20μL文化的解决方案是收集和快速冻结在−80°C。样品被转移到一个干冰存储盒(−60∼−57°C)和运输到拉曼实验室。删除样本后在室温下解冻(20 - 25°C)为20 - 30分钟。水晶样品,样品1.5 - 2μL液滴被画在特殊底物(Al@ SiOgydF4y2Ba_2gydF4y2Ba),放入恒温鼓风干燥箱干燥水分和结晶(35°C, 25 - 30分钟)。对于液体样品,样品7μL滴感动到增强衬底(Au@Cu)所示gydF4y2Ba图1一个gydF4y2Ba。gydF4y2Ba

2.4拉曼光谱学gydF4y2Ba

共焦拉曼显微镜(BaseRaman Pro,中国)配备了532 nm激光(Nd: YAG,∼30 mW)是用于检测水晶样品,和激光功率集中在样本∼5 mW。一个超高吞吐量光谱仪(uht)、CCD相机(DV401-BV), 50×显微镜物镜(蔡司EC Epiplan NA = 0.75),光栅1200 l /毫米,曝光时间4 s的单点检测,和15日的累积频率和5单点被随机选择为每个样本光谱采集。桌面拉曼光谱仪(BaseRaman200,中国)是用于检测原液体样品。激发光源是785 nm激光(最大的激光功率是320千瓦),和样本入射激光强度100%。所示gydF4y2Ba图1 bgydF4y2Ba,数据集获得使用上述两种拉曼光谱仪。每个样本检测5次,执行三个扫描在每个检测使用一个40多岁的曝光时间。三个曝光信号的平均值作为原始数据。校准是基于硅片的特征峰在520.5厘米gydF4y2Ba^{−1gydF4y2Ba},校准±0.15厘米的误差范围内gydF4y2Ba^{−1gydF4y2Ba}。环境参数的仪器记录校准后仪器(≤19.1°C环境温度≤23.9°C,≤30%空气湿度≤51%)。gydF4y2Ba

2.5数据分析和模型评估gydF4y2Ba

拉曼光谱是一种强大的工具来分析样本的分子组成。然而,生拉曼光谱通常含有噪声和基线漂移,从而影响后续分析的准确性。因此,有必要对拉曼光谱执行数据预处理,改善信噪比,消除基线漂移。几种预处理方法,如基线校正、平滑、归一化,提出了增强拉曼光谱的质量。这个研究包括数据预处理过程消除了高能宇宙射线的干扰峰(一把锋利的特征峰窄谱带和大峰),拦截喇曼光谱带(地区从600年到1800厘米gydF4y2Ba^1gydF4y2Ba)的“生物指纹”,使用Savitzky-Golay滤波器来平滑频谱(改善光谱信噪比)。然后,结合statistics-sensitive非线性迭代(剪)峰值剪切,光谱的基线校正完成扣除背景的衬底,荧光,冗余信号的贡献。最后,所有数据归一化[0,1]。gydF4y2Ba

所示gydF4y2Ba图1 c, DgydF4y2Ba。建立分类模型,多种类型的机器学习算法被应用于预测胚胎的结果。显示的数据集划分训练集的比例4:1的测试集。训练模型之前,主成分分析(PCA)算法用于提取喇曼光谱特性,和数据在尺寸减少。在目前的研究中,4监督学习算法,卷积神经网络(CNN),支持向量机(SVM),随机森林(RF),和极端的梯度提升(XGBoost),用于培训和建立分类模型。绩效评估的预测模型,方法包括混淆矩阵,计算精度,精度,还记得,F1-score,接收机算子特征(ROC)曲线下面积(AUC) (gydF4y2BaPieszko Slomka, 2021gydF4y2Ba)。gydF4y2Ba

2.6软件和程序gydF4y2Ba

程序语言用于数据预处理、模型建立、结果可视化,和其他数据分析是Python 3.6和R 4.1.0。程序开发的工具是PyCharm 2020.1和RStudio 2022.02.1。gydF4y2Ba

3的结果gydF4y2Ba

3.1数据预处理gydF4y2Ba

在这个研究中,收集到的原始拉曼光谱数据的光谱范围是50 - 2000厘米gydF4y2Ba^1gydF4y2Ba。数据的可视化结果光谱剪切后(gydF4y2Ba图2一个gydF4y2Ba)、平滑滤波(gydF4y2Ba图2 bgydF4y2Ba),基线校正(gydF4y2Ba图2 cgydF4y2Ba)和归一化(gydF4y2Ba图2 dgydF4y2Ba)所示gydF4y2Ba图2gydF4y2Ba。数据预处理后,最初的拉曼信号的样本删除无效干扰信息(噪声和背景荧光信号),减少到一个统一的数据规模。所示gydF4y2Ba图2 a和EgydF4y2Ba,共有107样本收集和五个光谱为每个样本重复。535(107×5)拉曼光谱。异常数据被淘汰,整个数据集了大约500从100年样本光谱。根据4:1的比例,他们被分成训练集和测试集,训练集包含大约400光谱数据点从80年样本,而测试集包含大约100来自20个样品光谱数据点。的比例不同的怀孕结果样本在每个数据集是1:1。gydF4y2Ba

3.2生化分析和生物标志物研究gydF4y2Ba

获得平均拉曼光谱,拉曼光谱数据在所有胚胎培养介质的平均收集样本,描述了gydF4y2Ba图3gydF4y2Ba。拉曼分析转变和拉曼光谱特征峰强度显示分子指纹表达生化培养基上的信息。特征峰的氨基酸、蛋白质、脂质、核酸和其它分子在生物指纹区拉曼频移范围内出现600 - 1800厘米gydF4y2Ba^{−1gydF4y2Ba},见gydF4y2Ba表2gydF4y2Ba。通过引用到拉曼数据库用于生物研究,我们可以推断出分子的振动模式和材料分布对应于不同的拉曼峰。gydF4y2Ba

研究发现,基于生化信息中的每个特征峰的特征gydF4y2Ba表2gydF4y2Ba和gydF4y2Ba图3gydF4y2Ba,最强烈的信号是由苯丙氨酸环对称振动在1003/1004厘米gydF4y2Ba^{−1gydF4y2Ba}。其他常见的强信号包括碳碳键拉伸(853厘米gydF4y2Ba^1gydF4y2Ba)、碳酸盐/磷酸或碳碳键振动(1071/1073厘米gydF4y2Ba^1gydF4y2Ba),碳碳的苯或核酸(DNA或RNA)模式(1339/1341厘米gydF4y2Ba^{−1gydF4y2Ba})的氨基酸,gydF4y2Ba ${\mathrm{CgydF4y2Ba}\mathrm{HgydF4y2Ba}}_{\mathrm{2gydF4y2Ba}}{\mathrm{CgydF4y2Ba}\mathrm{HgydF4y2Ba}}_{\mathrm{3gydF4y2Ba}}$ 变形或gydF4y2Ba ${\mathrm{CgydF4y2Ba}\mathrm{HgydF4y2Ba}}_{\mathrm{2gydF4y2Ba}}$ 或碳氢键振动(1447/1448厘米gydF4y2Ba^{−1gydF4y2Ba}),C = C或酰胺或脂肪酸(1657厘米gydF4y2Ba^{−1gydF4y2Ba})。一些微弱的拉曼信号,包括621和644厘米gydF4y2Ba^1gydF4y2Ba由碳碳扭曲模式在苯丙氨酸,色氨酸(758厘米gydF4y2Ba^{−1gydF4y2Ba}),O-P-O拉伸/磷酸二酯(828厘米gydF4y2Ba^{−1gydF4y2Ba}),gydF4y2Ba ${\mathrm{CgydF4y2Ba}\mathrm{HgydF4y2Ba}}_{\mathrm{2gydF4y2Ba}}{\mathrm{CgydF4y2Ba}\mathrm{HgydF4y2Ba}}_{\mathrm{3gydF4y2Ba}}$ 弯曲模式(1032厘米gydF4y2Ba^{−1gydF4y2Ba}),ν(氮)(1127/1122厘米gydF4y2Ba^{−1gydF4y2Ba}),可以发现拉曼由以前的生物医学数据库总结报告(gydF4y2BaTalari Sekhar et al ., 2015gydF4y2Ba)。gydF4y2Ba

分子的拉曼光谱描述了振动分布在复杂的混合组件。我们的研究样本进行分析,以获取信息在培养基中的剩余组件,细胞吸收和细胞代谢的产物。底层细胞代谢不同细胞类型的变化的原因是多方面的。简单的生化分析不足以识别细胞的生理状态或反映其发展潜力。因此,进一步的信息挖掘通过先进的算法是必要的。gydF4y2Ba

3.3机器学习分类模型gydF4y2Ba

处理原始数据后,仍有大约600 - 700离散特征值的生物指纹区拉曼光谱。这些高维拉曼光谱数据通常包含大量的冗余信息,这是不利于发现不同物种之间的差异,所以有必要降低数据的维数。PCA算法,计算了前三个主成分的光谱数据降维提取后,不同主成分数的计数,和一个柱状图和核密度图。所示gydF4y2Ba图4一gydF4y2Ba532 nm,水晶样品检测的仪器平台更有明显的拉曼特征不同群体之间的差异。这可能是因为水晶样品含量更高的物质可以表达更多的代谢物的差异,和第二和第三主成分更有显著差异。(B)液体培养基样本785 nm仪器平台检测到的物质浓度很低,所以表达的差异代谢物不够显著。前三个主成分显示只有微小的差异特征。gydF4y2Ba

无人监督的分析可以从大规模数据集,提取隐藏信息,不难发现通过聚类特性的分布差异。然而,这并没有直接区分样本的属性,因此有必要进一步结合监督学习算法建立分类模型。在建模之前,我们减少了数据的维度参与建模和100年提取第一主成分。它不仅避免了过度拟合的冗余数据,也加快了训练。在外部盲目测试数据集,95年和94年光谱参与妊娠结果的评价模型532 nm和785 nm平台,分别。与其他机器学习方法相比,一维卷积神经网络(1 d-cnn)模型可以实现更高的预测精度,预测妊娠结果的准确性达到71.5%和67.85%,分别。此外,我们评估模型的性能由几个衡量指标,如精度、回忆,和F1-score基于混淆矩阵的计算。妊娠结局的预测结果和性能评估PCA-CNN模型所示gydF4y2Ba表3gydF4y2Ba。gydF4y2Ba

3.4氨基酸的相对定量分析gydF4y2Ba

近年来,已经有越来越浓的兴趣研究体外受精胚胎的质量之间的关系发展和培养基中的代谢产物。几项研究之间的关系进行探讨胚胎细胞的代谢活动及其发展潜力。的研究gydF4y2BaSeli et al . (2008gydF4y2Ba)使用质子核磁共振(NMR)谱分析人类胚胎的培养基中的代谢产物。研究发现,某些代谢物,如葡萄糖、丙酮酸与胚胎质量和可以作为预测妊娠结局。这项研究强调了潜在的核磁共振光谱法作为一种非侵入性的工具来评估胚胎质量。在研究中通过gydF4y2Ba井上et al . (2021gydF4y2Ba),代谢组学分析获得的培养基从单一低温贮藏后培养的胚泡。共有469种代谢物,其中187(39.8%)有机酸代谢物。重大的变化(gydF4y2BapgydF4y2Ba< 0.05)观察在八个代谢物之间的优质胚胎组和低质量的胚胎组织。多个代谢途径的差异被发现之间的高质量和低质量的胚胎组织,显著改变了代谢涉及主要代谢物的支链氨基酸。的研究gydF4y2Ba夏l . et al . (2014gydF4y2Ba)使用气相色谱/质谱(GC / MS)分析代谢物在卵泡液和卵母细胞培养基的女性接受试管婴儿治疗。研究发现,某些代谢物,如氨基酸和脂质,与卵母细胞发育能力和可以作为生物标记物预测体外受精结果。这项研究强调了潜在的GC / MS作为标志物受精成功的工具和开发个性化的女性不育症的治疗策略。进一步的研究在这一领域的发展可能导致不孕不育的新诊断工具和个性化的治疗策略。gydF4y2Ba

本研究论文使用拉曼光谱和内部标准的量化方法提出统计分析7个氨基酸代谢水平的组件在丢弃的胚胎细胞培养基和没有怀孕的潜力。内部标准量化算法使用生物标志物的特征峰强度表达式的值gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{rgydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{egydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{年代gydF4y2Ba}}$ 分子浓度和标准物质的特征峰的检测系统作为表达式的值gydF4y2Ba ${\mathrm{我gydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{dgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{rgydF4y2Ba}\mathrm{dgydF4y2Ba}\mathrm{年代gydF4y2Ba}}$ 为内部标准分子浓度。定量比率从方程得到gydF4y2Ba1gydF4y2Ba。七个氨基酸分析是天冬氨酸、甘氨酸、色氨酸、酪氨酸、牛磺酸、丝氨酸和脯氨酸。这些都是量化的基于生物标志物特征峰的峰强度为941厘米gydF4y2Ba^1gydF4y2Ba,900厘米gydF4y2Ba^1gydF4y2Ba,758厘米gydF4y2Ba^1gydF4y2Ba,853厘米gydF4y2Ba^1gydF4y2Ba,1032厘米gydF4y2Ba^1gydF4y2Ba,1326厘米gydF4y2Ba^1gydF4y2Ba,828厘米gydF4y2Ba^1gydF4y2Ba和内部标准特征峰在1003厘米gydF4y2Ba^1gydF4y2Ba。对于复杂的混合系统,最强烈的分子振动的特征峰的氨基酸被选为定量分析值。例如,天冬氨酸的特征峰,牛磺酸、丝氨酸在941,1032,1326厘米gydF4y2Ba^1gydF4y2Ba属于碳氢键弯曲振动,S = O伸缩振动和碳氮伸缩振动,分别为(gydF4y2Ba王et al ., 2022gydF4y2Ba)。特征峰在900厘米gydF4y2Ba^1gydF4y2Ba甘氨酸可以分配到的剪切和拉伸振动gydF4y2Ba $\mathrm{\delta gydF4y2Ba}\left(\mathrm{CgydF4y2Ba}\mathrm{OgydF4y2Ba}\mathrm{OgydF4y2Ba}\mathrm{HgydF4y2Ba}\right)$ 和gydF4y2Ba $\mathrm{\nu gydF4y2Ba}\left(\mathrm{CgydF4y2Ba}-\; -\; -\; -\; -\; -gydF4y2Ba\mathrm{CgydF4y2Ba}\right)$ (gydF4y2Ba田中,et al ., 2017gydF4y2Ba)。观察到的峰值在758、853和828厘米gydF4y2Ba^1gydF4y2Ba分别对色氨酸、酪氨酸和脯氨酸,可以归因于芳香族碳氢键的弯曲振动和C-C-C债券(gydF4y2Ba苏格拉底,2004gydF4y2Ba)。定量分析的结果的特异性分子振动模式所示gydF4y2Ba图5gydF4y2Ba。所有从怀孕和non-pregnancy光谱数据组代表七个氨基酸的代谢水平pre-densification通过胚胎的能力发展。结果表明,在三个氨基酸(即有差异。,tyrosine, tryptophan, and serine), while no significant differences were noticed in the other four amino acids. The differences in amino acid components obtained by Raman characteristic analysis expressed the amino acid metabolism levels of embryos with different pregnancy outcomes. It can be proven that some amino acid metabolism levels may be used to represent different physiological states.

3.5绩效评估不同的分类算法gydF4y2Ba

有不同的分类算法的性能的差异。机器学习模型被广泛应用在各个领域,包括图像识别、自然语言处理和语音识别。然而,不同模型的性能各不相同,需要评估不同模型的性能来选择最合适的模型为一个特定的任务。绩效评估可以帮助研究人员了解不同模型的优点和缺点,提高他们的绩效。有几种常用的绩效评价指标,包括精度、精度,还记得,F1-score,曲线下的面积(AUC)。这些指标可以用来比较不同模型的性能,并选择最好的模型为一个特定的任务。例如,如果目标是减少假阳性,精度可能是最需要考虑的重要指标。除了选择最好的模型中,绩效评估也可以帮助研究人员优化模型参数,提高模型性能。通过评估不同的模型在不同参数设置下的性能,研究人员可以识别特定的任务的最佳参数值(gydF4y2BaGeRon。,2017年gydF4y2Ba)。gydF4y2Ba

在目前的研究中,PCA是用来降低数据维数,以及由此产生的数据集被用来构建人工智能分类模型预测妊娠结局的532 nm和785 nm平台使用CNN,支持向量机,射频,XGBoost算法。预测的精度所示gydF4y2Ba表4gydF4y2Ba在盲测,露出一个显著差异不同算法的精度。在532 nm的模型开发平台,CNN算法实现了高达71.5%的准确性,同时为785 nm平台,CNN模型有一个67.85%的准确性预测妊娠结局。这些结果说明CNN算法优于其他算法。通过比较数据的建模结果产生的两个平台,我们发现532 nm平台的数据可以用来建立一个模型有更好的分类性能。四个分类器的性能评估使用ROC和AUC,描绘gydF4y2Ba图6 a, BgydF4y2Ba,532 nm和785 nm平台,分别。的结果表明,532 nm平台,CNN分类器优于其他分类器。另一方面,为785 nm平台,CNN分类器的表现最好的,其次是SVM分类器,而其他两个分类器(射频和XGB)表现出糟糕的表现。gydF4y2Ba

4讨论gydF4y2Ba

在临床应用中,pre-embryo传输筛查通常是用于选择D3卵裂时期胚胎或D5-6-stage囊胚使用形态学分级评价体系(gydF4y2Ba马丁内斯,m . et al ., 2018gydF4y2Ba)或形态动力学。胚胎细胞在不同阶段有不同的临床特点。此外,对于卵巢功能正常的患者,可移植的胚胎和优质胚胎也可以获得患者的可怜的预测(gydF4y2Ba吴,W。,et一个l。,2020)(gydF4y2BaBoucret, L。,et一个l。,2022)。对那些病人,选择D3卵裂时期胚胎移植可以避免embryo-free移植的风险和成本更低(gydF4y2Ba麦克斯韦,s m . et al ., 2015gydF4y2Ba)。此外,胚泡期胚胎的转移与短LTL儿童比卵裂时期胚胎的转移(gydF4y2Ba王,C。,et一个l。,2022)。然而,评估的准确性卵裂时期移植前的胚胎发育潜力较低。非整倍性是高度与胚胎失败。此外,至少35% -40%的整倍体胚胎仍然未能植入由于代谢或其他非遗传性可行性参数(gydF4y2Ba斯科特,RT, et al ., 2013gydF4y2Ba)。胚胎发育和新陈代谢基于拉曼光谱可以通过分析探索生物标记物,影响胚胎发育的不同物质分子的振动模式(gydF4y2Ba利马,c . et al ., 2021gydF4y2Ba)。先前的报道证实,营养基质和代谢物被胚胎细胞的胚胎发育过程密切相关的结果。这些研究表明,细胞的生理状态发展可以反映在代谢水平(gydF4y2Ba加德纳和条痕,2013年gydF4y2Ba)。gydF4y2Ba

理解和提供这些营养培养基支持人类胚胎的早期发展至关重要的病人接受辅助生殖技术治疗。营养物质,如氨基酸(如通用电气、参数和亮氨酸)和脂肪酸已被证明在卵母细胞成熟起到至关重要的作用,其中包括增加代谢率和氧化代谢。氨基酸的利用率也反映了卵母细胞的发育能力在早期胚胎发育(gydF4y2Ba高,H。,2020年gydF4y2Ba)。李伯审查大量的文献和相关机制的影响氨基酸转运蛋白/运输系统对早期胚胎发育和新陈代谢(gydF4y2Ba李伯,2021gydF4y2Ba)。仍有许多方面需要澄清关于氨基酸影响胚胎细胞发育的机制。然而,目前的研究似乎表明,某些氨基酸扮演着重要的角色在决定胚胎发育质量。gydF4y2Ba

在这项研究中,我们观察到的水平明显高于色氨酸、酪氨酸、丝氨酸的花文化传媒non-pregnancy组比妊娠组。我们的研究结果与以前的研究一致gydF4y2BaOlcay et al . (2022gydF4y2Ba)报道,酪氨酸的浓度明显高于非整倍体胚胎比整倍体胚胎。作者推测染色体异常可能导致改变转录相关蛋白质代谢,导致代谢改变囊胚。值得注意的是,Olcay等人分析了胚泡的文化媒体,这是不同于我们的研究,表明酪氨酸浓度的变化可能发生在文化媒体前胚泡形成。我们的结果也符合先前的报道,色氨酸的含量和丝氨酸胚胎之间的不同发展阶段为囊胚和那些逮捕前胚泡形成(gydF4y2Ba霍顿et al ., 2002gydF4y2Ba)。然而,进一步的研究是需要完全理解可能的机制之间的关系氨基酸概要文件和胚胎发育潜能。gydF4y2Ba

拉曼光谱数据分析结合机器学习算法已广泛应用于各种定性分析场景(达斯汀·W et al ., 2017)。模型的优化,主要调整计算规则的修改hyperparameters算法适应数据特征在不同的场景中,最大化完成分类任务的准确性(gydF4y2Ba杨和Shami, 2020年gydF4y2Ba)。在我们的研究中,CNN模型需要考虑卷积层和卷积核的数量在每个卷积层,因为这两个参数有强烈影响的性能模型,其次是完全连接层的神经元数量和损失函数的选择。此外,hyperparameters,产生更大的影响支持向量机的性能包括内核函数的选择、惩罚系数和参数的内核函数。因为它是一个分类树模型,RF算法的分类性能取决于数量的树,树的最大深度,最小数量的样本被一分为二,分叶节点上的最小数量的样品,和随机选择的特性构建树状结构。XGBoost算法也是一个分类树结构,但其参数不同于随机森林,如最大数量的迭代,迭代步骤中,树的最大深度,随机抽样的比例,最低损失函数值下降。找到最好的参数,需要很多计算资源搜索。我们的实验结果表明,模型的优化可以有效地提高分类器的性能。通过修改参数值输入的算法,建立了模型可以获得不同的分类效果。我们使用了网格search-cross-validation方法寻找最佳参数,最后预测准确率作为评价的标准。1 d-cnn模型能更有效地提取特征信息通过卷积计算,它可能更适合解决高维复杂的拉曼光谱数据的分类问题通过记录的数据特性不同的标签与多层感知神经元权重。gydF4y2Ba

虽然我们的研究可以揭示一些趋势,仍有缺点。例如,由于临床样本的数量有限,目前的模型的泛化性能还有待提高。补课可以提高模型的鲁棒性通过继续收集临床样本和扩大喇曼数据库。一方面,算法的应用在数据分析的过程中扮演着重要的角色,和优化算法也可以弥补当前工作中的缺点。另一方面,更重要的生物标志物的发现和他们的定量分析拉曼特征可能在未来的临床应用更有说服力。gydF4y2Ba

5的结论gydF4y2Ba

在这个研究中,共有107个样本的胚胎中收集和分析了拉曼光谱评估胚胎发展的代谢水平。提出的基于拉曼光谱定量分析方法应用于评估七个氨基酸的代谢水平的D3培养基gydF4y2Ba在体外gydF4y2Ba受精的胚胎。结果显示显著差异酪氨酸的新陈代谢,色氨酸,与丝氨酸怀孕和non-pregnancy胚胎培养媒体,虽然没有显著变化观察其他氨基酸。此外,我们采用了四个机器学习算法,并根据获得的数据来自532 nm和785 nm实验平台上,我们建立了一个胚胎怀孕结果的预测模型。PCA-CNN模型的预测精度为532 nm平台达到71.5%,为785 nm平台,达到了67.85%。gydF4y2Ba

数据可用性声明gydF4y2Ba

原始数据支持了本文的结论将由作者提供,没有过度的预订。gydF4y2Ba

道德声明gydF4y2Ba

这项研究已经审核并经伦理委员会批准的南京医科大学第一附属医院(江苏省人民医院),伦理审查号码:2022 - sr - 144。从所有的病人获得书面知情同意。患者/参与者提供了他们的书面知情同意参与这项研究。gydF4y2Ba

作者的贡献gydF4y2Ba

决断力和提单设计研究和修改后的文章。HM和SH分析数据和写的手稿。YG, CJ, YC、MX和LG的样本集合。FD, LQ, CG、生理和路造成了重要的知识内容和编辑文章。所有作者的文章和批准提交的版本。gydF4y2Ba

资金gydF4y2Ba

这项研究得到了国家重点研发项目,中国(2021年2022 yfc2703203 2021 yfc2700504, yfc2700501),江苏省六十一工程(LGY2020002)和国家重点实验室开放基金项目(SKLRM-K201905)。gydF4y2Ba

的利益冲突gydF4y2Ba

作者SH、生理和路受雇于公司Basecare医疗设备有限公司有限公司gydF4y2Ba

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或那些出版商编辑和评论员。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

引用gydF4y2Ba