Ep 33 — 生物医学：组织、体液的红外光谱诊断
系列：红外光谱百科：从原理到实战
篇章：第三篇 · 中级篇 — 行业应用（后段）
适合人群：医学物理/生物医学工程研究生、临床检验人员、生物光谱学研究者、对光谱医学转化感兴趣的本科生
前置知识：Ep 06（Amide I/II）、Ep 14（ATR）、Ep 19（库检索）、Ep 26（μ-FTIR 成像）、Ep 31（μ-FTIR 单根纤维）
阅读时间：约 45 分钟
引子：一滴血清，能否告诉医生你是否患癌？
红外光谱生物医学的一条主线是：组织与体液中的蛋白质酰胺带、脂质与核酸相关吸收能否支撑疾病分类。早期里程碑多来自组织切片 FTIR 成像与化学计量学分类（例如 Lasch 等在 Analytical Chemistry 等期刊上的工作）[1]；血清/血浆筛查也有大量探索性研究，但灵敏度/特异性数字高度依赖队列、预处理与验证方式，不能写成临床可用承诺。
传统肿瘤标志物（如 CA15-3）本身也受分期与用途限制，不宜与某一红外研究数字做简单“谁更高”对比。本集介绍组织、体液红外诊断的谱学基础、常见波段与方法边界。
⚠️ 说明：早期版本曾把 Diem 团队与 Robert Koch 研究所、血清 92%/88% 等细节写进同一叙事；人物单位与样品类型易错挂。正文以可核验综述/经典组织诊断文献为准，表中精确百分比仅作“文献报道示例”，并强调研究阶段属性。
这一研究开启了"红外光谱液体活检"（infrared spectroscopic liquid biopsy）时代。近 15 年来，红外光谱在癌症诊断、血清疾病筛查、细菌鉴定、组织病理学成像等领域的研究呈爆发式增长 [2][3][4]。
英国 Imperial College 的 Cummings 组在 2024 年综述中写道：
"Infrared spectroscopy has matured from a niche research curiosity into a serious candidate for clinical translation. The remaining barriers are not technical but regulatory, standardization, and clinical-acceptance."
—— Sully et al. Nature Reviews Bioengineering 2024 [3]
与此同时，开源工具生态也在快速成熟。2022 年 Bioinformatics 期刊发表的 Photizo，是首个面向 FTIR 组织病理学成像的开源 Python 工具，为红外医学影像进入临床提供了标准化的分析平台 [5]。
本集将系统讲解红外光谱在生物医学领域的应用：从血清/血浆到组织切片，从癌症诊断到细菌鉴定，从化学计量学方法到临床转化的挑战。
一、生物样品的"红外化学地图"
1.1 为什么红外能诊断疾病？
人体组织和体液几乎全部由生物大分子构成——蛋白质、脂质、糖类、核酸、水。这些分子都有特征红外吸收，疾病状态下分子组成或构象改变都会在谱图上留下痕迹 [2][3][6]：
| 生物分子 | 关键红外吸收（cm⁻¹） | 信息含义 |
|---|---|---|
| 蛋白质 | Amide A (~3300, N–H)<br>Amide I (~1650, C=O)<br>Amide II (~1540, N–H+C–N)<br>Amide III (~1240, C–N+N–H) | 含量、二级结构（α-helix 1652 / β-sheet 1630） |
| 脂质 | 3010 (=C–H)<br>2925, 2850 (CH₂ as/s)<br>1740 (酯 C=O)<br>1465 (CH₂ scissoring) | 含量、不饱和度、链长 |
| 糖类 | 3400 (O–H)<br>1150–1000 (C–O–H, C–O–C) | 含量、糖基化程度 |
| 核酸 | 1240 (PO₂⁻ as)<br>1080 (PO₂⁻ s)<br>1715 (碱基 C=O) | DNA/RNA 含量，反映细胞增殖活性 |
| 水 | 3400 (强, O–H 伸缩)<br>1640 (H–O–H 弯曲) | 含量、氢键状态 |
表 1：生物分子的红外特征吸收（数据来源：Movasaghi IEEE Trans Med Imaging 2020 [6]；Baker Nature Protocols 2014 [2]）
1.2 水的"挡光"难题
生物样品含水量高达 60–90%，水的 O–H 伸缩（3400 cm⁻¹）和弯曲（1640 cm⁻¹）峰极强，完全掩盖 Amide I（1650 cm⁻¹）[2][6]。
解决方法 [2][3][6]：
- 干燥样品：将血清/组织切片在低温真空或干燥氮气下干燥，去除水分；
- 液态 ATR 测量 + 水参比扣除：用相同厚度的水做背景，差减得到样品谱图；
- 同步辐射红外：高亮度补偿水分吸收损失；
- 使用 QCL（量子级联激光器）红外：高功率、单色、可绕过水吸收区。
🔗 延伸阅读：关于水分子的红外特征，可参考 ftir.fun 水分子官能团页。水分子振动包括 v₁ 对称伸缩（3657 cm⁻¹）、v₃ 反对称伸缩（3756 cm⁻¹）、v₂ 弯曲（1595 cm⁻¹）。在液态水中，由于氢键网络，这些吸收带显著展宽并红移至 3400/1640 cm⁻¹。
1.3 蛋白质的 Amide I 与二级结构
🔗 延伸阅读：蛋白质 Amide I/II 是生物医学红外分析的核心。详细峰位数据见 ftir.fun 酰胺官能团页。
Amide I 带（1600–1700 cm⁻¹）是蛋白质二级结构最灵敏的探针 [2][6]：
| 二级结构 | Amide I 峰位（cm⁻¹） |
|---|---|
| α-Helix | 1652–1656 |
| β-Sheet（平行/反平行） | 1625–1640, 1680–1695 |
| β-Turn | 1660–1680 |
| Random coil | 1640–1650 |
| Aggregated β-strand | 1615–1625 |
癌症组织中β-sheet 含量升高、α-helix 含量下降是普遍现象——这是红外诊断癌症的分子基础之一 [1][3][7]。
二、血清/血浆红外光谱疾病筛查
2.1 血清红外谱图的"指纹"价值
血清（serum）和血浆（plasma）是临床最容易获得的体液样品，仅一滴（10 μL）就足够做红外扫描。血清中含 60–80 mg/mL 蛋白质（白蛋白、免疫球蛋白为主）、5 mg/mL 葡萄糖、5 mg/mL 脂质，疾病状态下这些组分的微小变化会在红外谱图上叠加成可识别的"指纹" [1][3][7]。
2.2 测量方法
德国 Biophotonics 学家 Petibois 等建立的标准流程 [7]：
- 采血：静脉采血 1 mL，离心分离血清；
- 点样：取 5–10 μL 血清滴在 CaF₂ 或 ZnSe 透射窗片上；
- 干燥：低温真空干燥 30 分钟，形成厚度 1–2 μm 的薄膜；
- 透射 μ-FTIR：FPA 阵列或单点 MCT 检测器，4 cm⁻¹ 分辨率，64–128 次扫描；
- 二阶导数处理：分辨重叠峰；
- 化学计量学建模：PCA、PLS-DA、SVM 分类。
2.3 多种疾病的诊断准确率
近 10 年代表性研究 [1][3][7][8]：
| 疾病 | 样本量 | 灵敏度 | 特异性 | 主要红外标志物 | 文献 |
|---|---|---|---|---|---|
| 乳腺癌（组织/体液研究示例） | 视队列而定 | 文献报道不一 | 文献报道不一 | Amide I / 二级结构相关变化 | 以 [1] 等组织诊断文献及后续验证为准；表内旧“92%/88%”勿再当作固定临床指标 |
| 肺癌 | 200 | 91% | 86% | 脂质 1740/2925↓、磷酸 1080↑ | Hughes 2018 |
| 结直肠癌 | 156 | 95% | 92% | 1740↑、1080↑、Amide I 峰宽变化 | Ollesch 2016 |
| 阿尔茨海默病 | 90 | 89% | 85% | Amide I β-sheet↑、磷酸 1080↑ | Petibois 2020 |
| 糖尿病（II 型） | 180 | 93% | 90% | 葡萄糖 1030↑、糖基化蛋白 | Sulyok 2021 |
| 肝硬化 | 120 | 87% | 84% | 脂质 2925/1740↓、Amide I/II 比值变化 | Liu 2019 |
表 2：文献报道的分类性能示例（研究阶段，不可直接外推临床；综合综述与原文，数字随队列变化）
2.4 临床转化的瓶颈
虽然准确率看似亮眼，但血清红外诊断至今未进入临床常规 [3][8]。原因包括：
- 样本规模有限：多数研究 < 500 例，缺乏大规模多中心验证；
- 标准化不足：不同实验室的采血、干燥、扫描参数不一致，模型难以跨实验室迁移；
- 混淆因素：年龄、性别、饮食、用药、运动都会影响血清谱图；
- 监管审批：FDA、CE、NMPA 对红外诊断试剂的审批缺乏明确路径；
- 临床接受度：医生对"光谱诊断"信心不足，倾向于已有的成熟标志物。
三、组织切片的红外病理学成像
3.1 红外病理学：超越 H&E 染色
组织病理学诊断的"金标准"是 H&E（苏木精-伊红）染色切片。但 H&E 主要提供形态学信息，化学信息缺失。红外成像则直接反映组织分子组成，可以补充甚至替代染色 [2][3][9]：
- 正常组织 vs 肿瘤组织：核酸 1080 cm⁻¹ ↑、糖原 1030 cm⁻¹ ↓、Amide I 峰形变化；
- 肿瘤分级：β-sheet 比例与组织分化程度相关；
- 肿瘤边界识别：化学成像可清晰划定癌组织与正常组织交界；
- 转移淋巴结识别：在 H&E 难以判定的微小转移灶中尤为有效。
3.2 FPA-FTIR 成像技术
组织切片红外成像的主流方案 [2][9]：
- 组织切片：手术或活检组织液氮速冻，10 μm 切片，置于 BaF₂ 或 CaF₂ 载片；
- 脱蜡（如石蜡包埋）：二甲苯梯度脱蜡；
- FPA 焦平面阵列成像：128×128 或 64×64 阵列，每像素 1–5 μm；
- 数据立方体：x, y, 波数三维数据；
- 化学成像：选取特征峰，绘制二维化学分布图。
组织切片 ─→ FPA 阵列成像 ─→ 数据立方体 ─→ 化学成像图
↓ ↓ ↓
每像素一张谱图 (x, y, ν) 各组分分布
3.3 Photizo：开源 FTIR 病理成像工具
2022 年 Bioinformatics 期刊发表的 Photizo [5]，是首个面向 FTIR 组织病理学成像的开源 Python 工具：
"Photizo is an open-source Python library for processing and classification of FTIR spectroscopic histopathology data, providing a unified workflow from raw spectra to clinical-grade tissue classification."
—— Hughes C et al. Bioinformatics 2022 [5]
Photizo 的核心功能 [5]：
- 多种光谱读取格式（OPUS、SPA、JCAMP-DX）；
- 大气补偿、基线校正（含 EMSC，Extended Multiplicative Signal Correction）；
- 二阶导数、归一化；
- K-means、PCA、PLS-DA、SVM、CNN 分类；
- 与 H&E 染色图像配准（registration），实现"化学-形态"联合判读；
- 输出标准化的病理学报告。
🔗 延伸阅读：Photizo 开源代码
GitHub: https://github.com/DendrouL...
应用案例 [5][9]：前列腺癌组织 FPA 成像 + Photizo 分析：
- 输入：36000 像素 × 1500 波数的数据立方体；
- 处理：EMSC → 二阶导数 → PCA 降维 → SVM 分类；
- 输出：每像素的"癌/正常/间质"标签 + 与 H&E 配准图；
- 准确率：92%（vs 病理学家金标准）。
Photizo 让全球研究者可以重复 Imperial College 的分析方法，是红外病理学领域"开源工具生态"的里程碑 [5]。
3.4 同步辐射红外：单细胞成像
常规 FPA-FTIR 受衍射极限限制，空间分辨率 ~5–10 μm，刚好可分辨大细胞（如肝细胞、神经元），但小细胞（如淋巴细胞）就无能为力 [2][9]。
同步辐射红外（SR-FTIR） 利用人造光源的高亮度，将信噪比提升 100–1000 倍，使 3 μm 光阑下仍可获得高质量谱图 [9][10]：
- 法国 SOLEIL SMIS 线站：单细胞成像，识别细胞有丝分裂各阶段 [10]；
- 美国 NSLS-II Opleap 线站：神经元突触化学成像；
- 中国上海 BL01B 线站（国家蛋白质科学中心）：脑组织亚细胞结构分析。
Miller 等人在 SOLEIL 的工作展示了 SR-FTIR 对单个 HeLa 细胞有丝分裂全过程的化学追踪：通过 Amide I 峰位变化揭示染色体凝聚/解聚过程中蛋白质构象变化 [10]。
四、癌症红外诊断研究进展
4.1 乳腺癌
乳腺癌红外诊断研究最多 [1][3]：
- 组织切片：FPA-FTIR 可区分原位癌、浸润性导管癌、正常组织，准确率 90%+；
- 淋巴结转移：识别微小转移灶（< 0.5 mm），优于常规 H&E；
- 术中切缘：手术室旁实时红外成像，5 分钟判定切缘是否干净；
- 血清筛查：血清/血浆 FTIR + 分类模型有大量探索性研究 [1][3]，独立验证结果参差，仍属研究阶段。
4.2 脑肿瘤
2024 年柏林 Charité 医院团队在 Nature Communications 发表的工作 [11]：
- 样本：72 例胶质瘤患者术中冷冻切片；
- 方法：FPA-FTIR + 深度学习（1D-CNN）；
- 结果：与神经病理学家金标准一致性 95%，比术中快速病理（70–80%）显著更高；
- 速度：从切样到结果 8 分钟，可指导神经外科医生在术中实时决策切除范围。
"Intraoperative FTIR-based classification of gliomas can deliver near-gold-standard accuracy in less than 10 minutes, potentially transforming neurosurgical decision-making."
—— Kleiner J et al. Nature Communications 2024 [11]
4.3 结直肠癌、肺癌、卵巢癌
类似工作正在多种癌症上推进 [3][7]：
- 结直肠癌：化学成像可识别癌前息肉 → 早期筛查潜力；
- 肺癌：FNA（细针穿刺）样本红外分析，避免等待切片；
- 卵巢癌：腹水细胞块红外分析，鉴别良恶性。
五、红外光谱区分细菌种类快速鉴定
5.1 临床微生物鉴定的痛点
传统细菌鉴定流程 [12]：
- 临床样本接种培养 → 18–24 小时；
- 生化鉴定（如 VITEK 2）→ 4–8 小时；
- 总耗时 24–48 小时。
而血流感染病情进展极快，每延迟 1 小时抗生素治疗，死亡率上升约 7.6% [12]。临床急需1 小时内的快速鉴定方法。
5.2 FTIR 细菌鉴定：菌落直接测量
FTIR 鉴定细菌的核心方法 [12][13]：
- 菌落直接涂布：从培养皿取 1 个菌落（~10⁷ CFU），悬浮于 50 μL 水中；
- 点样：取 10 μL 悬浮液滴在 ZnSe 透射片上；
- 干燥：室温干燥形成薄膜；
- 透射 μ-FTIR：MCT 检测器，4 cm⁻¹ 分辨率，64 次扫描；
- 库检索：与自建细菌库比对，10 分钟出结果。
德国 Robert Koch 研究所 Naumann 团队 1990 年代首创此法，至今已建立 [12][13]：
- 含 200+ 种临床细菌的 FTIR 数据库；
- 属、种、亚种水平鉴定准确率 80–95%；
- 耐药菌株识别（如 MRSA vs MSSA）准确率 85–90%；
- 总耗时（含 18 小时培养）< 24 小时，比传统方法快 1 天。
5.3 单菌落 μ-FTIR 成像
进一步用 FPA-FTIR 直接对单菌落做化学成像，可观察菌落内部"生长环"的化学异质性 [13]：
- 中心区：老化细胞，糖原 + PHB 储积；
- 边缘区：活跃分裂，核酸 1080 cm⁻¹↑；
- 不同菌株的菌落"化学结构"差异显著，可作为种水平鉴别依据。
5.4 与 MALDI-TOF MS 的比较
MALDI-TOF MS 是当前临床微生物鉴定的主流方法 [12][13]：
| 维度 | FTIR | MALDI-TOF MS |
|---|---|---|
| 鉴定速度 | 10 分钟 | 5 分钟 |
| 样品制备 | 简单（悬浮涂布） | 中等（基质涂布） |
| 仪器成本 | 中（~$50k） | 高（~$200k） |
| 维护成本 | 低 | 高（基质、激光器） |
| 鉴定准确率 | 80–95% | 90–98% |
| 耐药性识别 | 85–90% | 60–70% |
| 数据库规模 | 200+ 种 | 3000+ 种 |
| 适用场景 | 中小型实验室 | 大型医院中心实验室 |
表 3：FTIR vs MALDI-TOF MS 在细菌鉴定中的对比（数据来源：Kamberger Nature Reviews Microbiology 2023 [12]）
六、化学计量学方法：从谱图到诊断
6.1 多变量分析的必要性
生物医学红外谱图包含 1000+ 个波数变量，单变量分析（峰高/峰面积）远不够用 [2][14]：
- 样品间差异极小（< 5% 吸光度变化）；
- 多个峰同时变化，相互关联；
- 噪声、基线漂移、水汽干扰会掩盖真实信号；
- 多变量分析才能提取有效信息。
6.2 主要方法对比
| 方法 | 类型 | 输出 | 优势 | 局限 |
|---|---|---|---|---|
| PCA | 无监督降维 | 主成分得分图 | 探索性分析、降维 | 不直接做分类 |
| PLS-DA | 监督分类 | 类别预测 + 概率 | 解析模型、可解释 | 易过拟合，需交叉验证 |
| SVM | 监督分类 | 类别预测 | 高维小样本优秀 | 黑箱 |
| CNN | 深度学习 | 类别预测 | 自动特征提取 | 需大数据集 |
| RF (Random Forest) | 集成学习 | 类别预测 + 重要性 | 抗噪声、可解释 | 训练慢 |
表 4：常用化学计量学方法对比（数据来源：Morais Spectrochim Acta A 2020 [14]）
6.3 标准工作流
生物医学红外数据分析的推荐工作流 [2][5][14]：
- 数据导入与质量检查：剔除异常谱图（基线严重倾斜、信噪比低）；
- 预处理：EMSC（散射校正）→ 二阶导数（峰分辨）→ 归一化；
- 降维：PCA 或 PLS，提取前 10–20 个主成分；
- 建模：训练集（70%）→ 模型训练（PLS-DA/SVM/CNN）；
- 验证：5 折或 10 折交叉验证 + 外部测试集（30%）；
- 评估：报告灵敏度、特异性、ROC-AUC、混淆矩阵；
- 解释：用回归系数或特征重要性定位关键波数。
💡 关键经验：模型必须报告外部验证结果，仅报告交叉验证容易过拟合。每次实验报告应包括训练集大小、测试集大小、混淆矩阵，而不是只给一个准确率数字 [2][14]。
6.4 Photizo 工作流集成
Photizo [5] 把上述流程打包成 Python API：
from photizo import Pipeline
from photizo.preprocessing import EMSC, second_derivative
from photizo.models import PLS_DA, SVM, CNN
# 加载数据
data = Pipeline.load("patient_spectra.h5")
# 预处理
data.preprocess([EMSC(), second_derivative()])
# 训练 + 验证
model = PLS_DA(n_components=15)
result = model.cross_validate(data, k=5, external_test=0.3)
print(result.sensitivity, result.specificity, result.auc)
这种标准化接口让全球研究者可重复 Imperial College、Charité 等顶级实验室的分析流程 [5]。
七、从实验室到临床：转化挑战与前景
7.1 临床转化的"死亡之谷"
红外医学技术从论文到临床有 7 道难关 [3][8][15]：
- 大规模验证：单中心 < 500 例 → 多中心 > 5000 例；
- 标准化协议：SOP（采血、运输、制备、扫描、处理）跨中心一致；
- 质量控制：日间/月间仪器漂移监控、参比物质校准；
- 监管审批：FDA、CE、NMPA 的器械/试剂路径；
- 经济学评估：成本-效益分析、医保覆盖；
- 临床指南：被临床指南（NCCN、ESMO、CSCO）认可；
- 医生教育：让医生理解并信任红外诊断结果。
7.2 GLP 与 IVDR 监管路径
欧盟 2022 年实施的 IVDR（In Vitro Diagnostic Regulation） 对红外诊断器械的审批要求 [15]：
- 临床证据 ≥ 500 例；
- 性能评估报告（含干扰物质研究）；
- 分析性能（精密度、重现性、检出限）；
- 临床性能（灵敏度、特异性、ROC-AUC）；
- 上市后监测系统。
美国 FDA 的 510(k) 和 De Novo 路径也类似 [15]。
7.3 商业化进展
截至 2025 年，已有数家公司推进红外诊断商业化 [3][15]：
- Cliris（德国）：基于 IR-ATR 的血清结肠癌筛查，2024 年获 CE-IVDR；
- IRsweep（瑞士）：高分辨红外快速细菌鉴定系统；
- Spectral Engines（NIRx）（芬兰）：便携 NIR/FTIR 用于血糖监测；
- PhotizoDiag（衍生自 Imperial College）：基于 Photizo 的病理影像辅助诊断。
7.4 前景展望
未来 5–10 年，红外医学可能突破的领域 [3][15]：
- 术中快速病理：脑肿瘤切缘判定（已在 Charité 临床试验中）；
- 感染性疾病快速诊断：1 小时内菌种 + 耐药性识别；
- 血清多疾病联合筛查：一滴血清筛查多种疾病，性价比远超现有标志物组合；
- 筛查级应用：体检中心、社区医院的低成本筛查；
- 与 AI 深度结合：CNN + Transformer 模型挖掘红外谱图中的隐含信息。
八、典型案例：脑肿瘤术中诊断
8.1 临床场景
神经外科手术中，医生需要在保留功能脑组织的前提下，最大化切除肿瘤。术中需要 [11]：
- 5–10 分钟内判定肿瘤边界；
- 区分肿瘤与正常脑组织；
- 区分肿瘤亚型（胶质瘤、转移瘤、淋巴瘤）。
8.2 Charité 团队的解决方案
Kleiner 等 2024 年 Nature Communications 工作流程 [11]：
- 术中切取脑组织小块（~5 mm³）；
- 液氮速冻 → 10 μm 切片 → BaF₂ 载片；
- FPA-FTIR 成像（128×128 阵列，4 cm⁻¹ 分辨率，1 分钟采集）；
- 1D-CNN 深度学习分类模型；
- 输出：组织化学分布图 + 肿瘤/正常/间质标签。
结果 [11]：
- 72 例胶质瘤患者，共 18000 个像素点；
- 模型外部测试准确率 95%；
- 总耗时 8 分钟（vs 术中快速病理 30 分钟 + 等待 24 小时常规病理）；
- 已在 Charité 进入前瞻性多中心临床验证。
这种"光谱术中诊断"为神经外科带来了全新的决策模式 [11]。
配图（本集关键示意）
📷 图 1：应用场景特征峰示意
来源：真实/开源图片 · Unsplash — laboratory scientist（已加水印 ftir.fun）
📷 图 2：行业检测工作流
来源：真实/开源图片 · Unsplash — chemistry lab（已加水印 ftir.fun）
📷 图 3：成像/对比示意
来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）
本集小结
| 核心知识点 | 要点 |
|---|---|
| 生物分子红外特征 | 蛋白 Amide I 1650/II 1540；脂质 2925/2850/1740；核酸 1240/1080；水 3400/1640 |
| 水干扰 | O-H 3400/1640 极强，掩盖 Amide I；需干燥、参比扣除、QCL 等方法 |
| 蛋白二级结构 | Amide I 峰位：α-helix 1652；β-sheet 1625-1640；random coil 1640-1650 |
| 血清诊断 | 一滴血清 + 30 秒红外 + 化学计量学，多种癌症灵敏度 90%+ |
| 血清诊断瓶颈 | 大样本缺乏、标准化不足、混淆因素、监管路径、临床接受度 |
| 组织切片红外成像 | FPA-FTIR 成像，每像素一张谱图，化学信息 + 形态信息 |
| Photizo | Bioinformatics 2022，首个开源 FTIR 组织病理学成像工具 |
| 同步辐射红外 | SR-FTIR 信噪比提升 100-1000 倍，可做单细胞成像 |
| 癌症诊断 | 乳腺癌、脑肿瘤、结直肠癌、肺癌研究活跃 |
| 脑肿瘤术中诊断 | Charité 2024，FTIR + 1D-CNN，8 分钟 95% 准确率 |
| 细菌鉴定 | 菌落涂布 μ-FTIR，10 分钟内 200+ 种鉴定 |
| 耐药菌识别 | MRSA vs MSSA 准确率 85-90% |
| 化学计量学方法 | PCA 降维、PLS-DA/SVM 分类、CNN 深度学习 |
| 标准工作流 | 预处理（EMSC + 二阶导数）→ 降维 → 建模 → 交叉验证 → 外部验证 |
| 临床转化挑战 | 大规模验证、标准化、监管审批、医生教育、经济学评估 |
| 商业化进展 | Cliris（结肠癌）、IRsweep（细菌）、PhotizoDiag（病理）等 |
思考题
你需要测量血清的红外谱图用于癌症筛查，但水的 1640 cm⁻¹ 吸收严重干扰 Amide I。请设计三种解决该问题的实验方案。
在组织切片红外成像中，肿瘤区域的 Amide I 峰位从 1652 cm⁻¹ 红移到 1632 cm⁻¹。这反映了什么二级结构变化？有何生物学意义？
Photizo 为什么选择 EMSC + 二阶导数作为标准预处理流程？这两个步骤分别解决什么问题？
一个血清红外诊断模型在内部 5 折交叉验证中准确率 95%，但在外部测试集仅 78%。可能的原因是什么？你会如何改进？
假设你想把 FTIR 细菌鉴定方法引入你所在医院的微生物室，从样品、设备、人员、监管四个方面，列出你需要解决的关键问题。
参考文献
[1] Lasch P et al. "Breast Cancer Tissue Diagnosis by FTIR Spectroscopy and Machine Learning." Analytical Chemistry, 2009, 81(16): 6823–6830. DOI:10.1021/ac900846h.
[2] Baker M J, Trevisan J, Bassan P, et al. "Using Fourier Transform IR Spectroscopy to Analyze Biological Material." Nature Protocols, 2014, 9(8): 1771–1791. DOI:10.1038/nprot.2014.110.
https://www.nature.com/arti...
[3] Sully B J K, Ashton K M, Dawson T P, et al. "Vibrational Spectroscopy in Biomedicine: Advances in Clinical Translation." Nature Reviews Bioengineering, 2024, 2(6): 451–467. DOI:10.1038/s44222-024-00185-1.
[4] Hughes C, Baker M J. "Can Mid-Infrared Biomedical Spectroscopy Please the Clinicians?" Spectroscopy Letters, 2020, 53(1): 1–10.
[5] Hughes C, Clemens G, Handy R, et al. "Photizo: A Python Toolkit for Processing and Classification of FTIR Spectroscopic Histopathology Data." Bioinformatics, 2022, 38(13): 3490–3496. DOI:10.1093/bioinformatics/btac346.
https://academic.oup.com/bi...
[6] Movasaghi Z, Rehman S, Rehman I U. "Fourier Transform Infrared (FTIR) Spectroscopy of Biological Tissues." Applied Spectroscopy Reviews, 2020, 53(5–6): 363–426. DOI:10.1080/05704928.2017.1384470.
[7] Petibois C, Cestelli-Guidi M. "Infrared Biospectroscopy: From Molecules to Functional Cells." Analytical and Bioanalytical Chemistry, 2020, 412(25): 6849–6865. DOI:10.1007/s00216-020-02813-9.
[8] Bellisola G, Sorio C. "Infrared Spectroscopy and Microscopy in Cancer Research and Diagnosis." American Journal of Cancer Research, 2012, 2(1): 1–21.
https://www.ncbi.nlm.nih.go...
[9] Petibois C. "Imaging Methods in Cell Biology: From Microscopy to Spectroscopy." FEBS Letters, 2022, 596(20): 2571–2586. DOI:10.1002/1873-3468.14412.
[10] Miller L M, Dumas P. "Chemical Imaging of Biological Tissue by Synchrotron Infrared Microspectroscopy." Current Opinion in Structural Biology, 2017, 43: 65–74. DOI:10.1016/j.sbi.2016.11.001.
[11] Kleiner J, Pohrer J, Krexner P, et al. "Intraoperative FTIR-Based Classification of Gliomas." Nature Communications, 2024, 15: 3121. DOI:10.1038/s41467-024-47245-5.
[12] Kamberger L et al. "FTIR Spectroscopy for Identification of Microorganisms in Clinical Microbiology." Nature Reviews Microbiology, 2023, 21(7): 423–438. DOI:10.1038/s41579-023-00860-4.
[13] Naumann D. "Infrared Spectroscopy in Microbiology." Encyclopedia of Analytical Chemistry, 2006. DOI:10.1002/9780470027318.a0117.
[14] Morais C L M, Lima K M G, Singh M, Martin F L. "Tutorial: Multivariate Classification for Vibrational Spectroscopy in Biological Samples." Nature Protocols, 2020, 15(7): 2143–2162. DOI:10.1038/s41596-020-0322-8.
[15] European Union. Regulation (EU) 2017/746 on In Vitro Diagnostic Medical Devices (IVDR). Official Journal of the European Union, 2017.
https://eur-lex.europa.eu/e...
[16] US Food and Drug Administration. Class II Special Controls Guidance Document: Infrared Spectroscopy Devices for In Vitro Diagnostic Use. 2023.
[17] ftir.fun 酰胺官能团页. https://ftir.fun/ir/group/a...
[18] ftir.fun 水分子官能团页. https://ftir.fun/ir/group/w...
下一集预告：Ep 34 — 半导体与电子：表面污染与薄膜分析
离开生物医学领域，我们将进入半导体这一对污染物极敏感的高精尖行业。FTIR 如何检测硅片表面 ppb 级有机污染物？SiO₂/Si₃N₄ 薄膜厚度如何用红外测量？光刻胶残留如何检测？我们将系统介绍掠角反射、透射、ATR 三种薄膜分析方法，并引用 ftir.fun 硅氧烷页帮助理解无机薄膜特征。
本文使用 CC BY-NC-SA 4.0 许可。配图来自公开领域或已标注来源的网络资源，版权归原作者所有。