王成，白麗紅，文苗，張通

（上海理工大學(xué)醫(yī)療器械與食品學(xué)院生物醫(yī)學(xué)光學(xué)與視光學(xué)實(shí)驗(yàn)室，上海200093）

引言

流式細(xì)胞分析儀有能力做細(xì)胞和其它粒子的多參數(shù)測(cè)量，也是細(xì)胞和生物分子功能研究的重要平臺(tái)[1]。在過去10年里，流式細(xì)胞分析的參數(shù)測(cè)量的能力不斷增強(qiáng)，這種增強(qiáng)已通過增加光源和探測(cè)器的數(shù)量獲得了[2]。但是這樣的系統(tǒng)操作相當(dāng)復(fù)雜，而且若想再增加可探測(cè)參數(shù)受制于可用的商業(yè)化的光源和探測(cè)器。拉曼光譜具有譜線窄，特異性高等優(yōu)點(diǎn)，正逐漸被應(yīng)用到多參數(shù)、大通量流式細(xì)胞分析中[3,4]。這樣針對(duì)光譜的自動(dòng)識(shí)別與分類提出了挑戰(zhàn)，目前除了商用流式細(xì)胞分析軟件外，更多的是基于PCA算法的自動(dòng)識(shí)別[5]。

拉曼散射源于樣品中化學(xué)鍵與光的作用而產(chǎn)生的分子振動(dòng)特征譜。這個(gè)光譜具有比熒光更窄的譜線寬，包含很多生物組織樣品豐富的化學(xué)成分信息，被廣泛應(yīng)用于分析化學(xué)。已經(jīng)研究把拉曼散射光譜應(yīng)用于流式細(xì)胞儀[3]。更有研究報(bào)道，細(xì)胞的散射光譜也被應(yīng)用到了流式細(xì)胞分析領(lǐng)域[6,7]。針對(duì)大量的光譜數(shù)據(jù)的分析，需要一種自動(dòng)、快速的識(shí)別算法來自動(dòng)區(qū)分樣品的信息。

針對(duì)將來的流式細(xì)胞分析中存在的大數(shù)量級(jí)的光譜數(shù)據(jù)，本文利用現(xiàn)有癌變細(xì)胞和正常細(xì)胞顯微光譜數(shù)據(jù)以及PCA分類的結(jié)果[8]，在原有細(xì)胞顯微散射光譜采集系統(tǒng)的基礎(chǔ)上，提出了基于PCA變換和誤差逆?zhèn)鞑ニ惴ǖ娜斯ど窠?jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）相結(jié)合的方法提取光譜信息中的差異，對(duì)正常細(xì)胞和癌細(xì)胞的光譜數(shù)據(jù)進(jìn)行分類建模，并對(duì)癌細(xì)胞進(jìn)行計(jì)數(shù)，這將為開發(fā)無創(chuàng)、實(shí)時(shí)、動(dòng)態(tài)地診斷和預(yù)后監(jiān)測(cè)、量化CTCs的技術(shù)提供基礎(chǔ)。

1 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是最常見的網(wǎng)絡(luò)學(xué)習(xí)算法。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使網(wǎng)絡(luò)誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)含有輸入層、隱含層和輸出層組成。如圖1所示。輸入層對(duì)應(yīng)輸入向量空間，本文中對(duì)應(yīng)觀測(cè)到的細(xì)胞顯微光譜的PCA降維后的有效光譜向量；根據(jù)文獻(xiàn)[8]的研究，癌細(xì)胞和正常細(xì)胞光譜采用PCA前兩個(gè)主成分已經(jīng)可以區(qū)分，但為了更穩(wěn)妥地預(yù)測(cè)細(xì)胞類型，選用累計(jì)貢獻(xiàn)率達(dá)97%以上的前五個(gè)PCA主成分向量為神經(jīng)網(wǎng)絡(luò)的輸入，即BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為5個(gè)，隱含層由11個(gè)神經(jīng)元組成，輸出值為不同細(xì)胞類型的編碼，設(shè)定編碼0為正常細(xì)胞，編碼1為癌細(xì)胞，此代碼為訓(xùn)練集中為目標(biāo)值，在預(yù)測(cè)集中為相應(yīng)的編碼，因此BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為1。根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法，信息正向傳遞，隱含層中第i個(gè)神經(jīng)元的輸出為

圖1誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)

進(jìn)一步地計(jì)算輸入層到隱含層和隱含層到輸出層的校正誤差，選取下一個(gè)輸入，再計(jì)算（1）和（2）式反復(fù)訓(xùn)練直到網(wǎng)絡(luò)設(shè)輸出誤差達(dá)到要求結(jié)束訓(xùn)練。具體算法可參閱相關(guān)文獻(xiàn)[9,10]。本文中采用的訓(xùn)練次數(shù)為1000次，目標(biāo)誤差0.01。

2 實(shí)驗(yàn)結(jié)果

訓(xùn)練集樣本為200個(gè)樣本的光譜數(shù)據(jù)，前100個(gè)為正常細(xì)胞光譜數(shù)據(jù)，后100個(gè)為癌細(xì)胞光譜數(shù)據(jù)。光譜數(shù)據(jù)經(jīng)平滑，歸一化后做PCA主成分分析得到主成分分量，具體的PCA結(jié)果可以參考文獻(xiàn)[8]，然后取前五個(gè)主成分作為輸入信息進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖3所示，經(jīng)過6次訓(xùn)練后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求。

圖2訓(xùn)練結(jié)果

再采集18個(gè)樣本數(shù)據(jù)作為預(yù)測(cè)集樣本，1～9例為正常細(xì)胞光譜數(shù)據(jù)，其真實(shí)值為0，10～18例為癌細(xì)胞光譜數(shù)據(jù)，其真實(shí)值為1。

表1利用BP網(wǎng)絡(luò)對(duì)樣本的預(yù)測(cè)結(jié)果

從表1的預(yù)測(cè)結(jié)果和圖3的預(yù)測(cè)誤差可見，設(shè)定預(yù)測(cè)結(jié)果偏差在±0.2內(nèi)為預(yù)測(cè)正確，該模型對(duì)預(yù)測(cè)樣本識(shí)別準(zhǔn)確率達(dá)到100%，平均相對(duì)偏差為0.78%。

3 討論與結(jié)論

面對(duì)收集到的大量細(xì)胞散射光譜數(shù)據(jù)，利用多元統(tǒng)計(jì)方法進(jìn)行信息的提取，并結(jié)合模式識(shí)別算法，有望從繁瑣的光譜數(shù)據(jù)中提取出主要信息，實(shí)現(xiàn)對(duì)不同類型細(xì)胞的光譜分類。最為常用的多元統(tǒng)計(jì)方法是主成分分析（PCA），但對(duì)于差異性不明顯的光譜達(dá)不到分類的效果。而采用BP網(wǎng)絡(luò)預(yù)測(cè)模型，能根據(jù)樣品的數(shù)據(jù)特征將其訓(xùn)練到一個(gè)目標(biāo)值上。對(duì)于被檢驗(yàn)的樣品，可以通過比較預(yù)測(cè)結(jié)果和目標(biāo)值來統(tǒng)計(jì)預(yù)測(cè)正確率，得到一個(gè)量化的數(shù)值。

圖3預(yù)測(cè)誤差

應(yīng)用FCBS技術(shù)收集單個(gè)正常胃上皮細(xì)胞和胃癌細(xì)胞的后向顯微光譜，將PCA算法和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)合，對(duì)細(xì)胞光譜的預(yù)測(cè)達(dá)到了100%，平均相對(duì)偏差只有0.78%，這將為流式細(xì)胞的自動(dòng)分類提供合適的算法。

[1] Shapiro H M. Practical Flow Cytometry. New York : Wiley-Liss,1995.

[2] Perfetto S P, Chattopadhyay P K, Roederer M. Seventeen-colour flow cytometry: Unravelling the immune system. Nat Rev Immunol,2004,4: 648-655.

[3] Dakota A W, Leif O B, Brown D F,et al.A flow cytometer for the measurement of Raman spectra. Cytometry Part A, 2008, 73A: 119-128.

[4] Gregory G, Lief O B,et al.High-resolution spectral analysis of individual SERS-Active nanoparticles in flow. JACS, 2010, 132:6081-6090.

[5] Dakota A W, Leif O B, Robb H,et al.A flow cytometer for the measurement of Raman spectra. Cytometry Part A, 2008, 73A: 119-128.

[6] Greiner C, Hunter M, Huang P,et al.Confocal backscattering spectroscopy for leukemic and normal blood cell discrimination.Cytometry Part A, 2011, 79A: 866-873.

[7] Greiner C, Hunter M, Rius F,et al.Confocal backscattering-based detection of leukemic cells in flowing blood samples. Cytometry Part A 2011, 79A: 874-883.

[8] 王成, 文苗, 白麗紅, 等. 基于主成分分析的單細(xì)胞后向散射顯微光譜自動(dòng)識(shí)別研究. 中國科技論文在線. 2014年3月27日.

[9] 孫志強(qiáng), 葛哲學(xué). 神經(jīng)網(wǎng)絡(luò)理論與MATLAB7 實(shí)現(xiàn). 北京: 電子工業(yè)出版社, 2005.

[10] 周志華, 曹存根. 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用. 北京: 清華大學(xué)出版社,2004.