La medición directa del agua, las proteínas y los lípidos con resolución de profundidad en seres humanos es muy importante para las enfermedades relacionadas con la piel, para la caracterización del rendimiento del producto para el cuidado de la piel. Este método, junto con el análisis posterior, aprovecha la quimiometría para extraer información química. La principal ventaja de esta técnica es que permite que los datos clínicos de Raman sean recopilados por operadores de instrumentos capacitados que carecen de conocimientos técnicos para identificar, excluir y corregir todas las fuentes de artefactos espectroscópicos.
A continuación, el conjunto de datos resultante se puede procesar para identificar los valores atípicos que deben excluirse de la fecha anterior al análisis. Durante el análisis de datos, un desafío clave es la eliminación de los valores atípicos y la identificación del número de componentes clave en el conjunto de datos. El enfoque muestra en este video aprovecha el conocimiento previo del conjunto de datos clínicos y el enfoque quimiométrico para extraer con éxito el agua, la proteína y los lípidos con resolución de profundidad.
Demostrando el procedimiento estará Li Yang, técnico de nuestro laboratorio C&T. Para comenzar, pida al sujeto que coloque un sitio de cuerpo de lesión marcado o un sitio de control en estrecho contacto con la ventana de imágenes del instrumento confocal Raman in vivo. Asegúrese de que cubran toda la ventana para evitar el impacto de la luz de la habitación en las imágenes.
A continuación, abra el software y mueva el foco hasta que se vea un espectro similar al que se muestra aquí. Después, aleja el foco a 10 micras de la superficie de la piel. Recopile datos de 26 pasos con un tamaño de paso de dos micras en la región de frecuencia que se muestra aquí, utilizando un tiempo de exposición de un segundo.
Mida ocho réplicas para cada área, durando hasta 15 minutos en total. En primer lugar, utilice la ventana de comandos y MATLAB para cambiar la extensión de archivo de los datos recopilados de ric a mat. A continuación, cargue el archivo de estera en la plataforma de software MATLAB, como se muestra aquí.
Corrija la línea base del conjunto de datos utilizando el método automático de mínimos cuadrados ponderados, yendo a la ventana PLS_Workspace y haciendo clic con el botón derecho en el conjunto de datos importado, desplazándose a Analizar, seleccionando Otras herramientas y haciendo clic en Preprocesamiento. En la ventana que aparece, haga clic en Mostrar. A continuación, desplácese hacia abajo en la barra de herramientas Métodos disponibles hasta el filtrado de línea base de cuadrados arrendados ponderados automáticos y seleccione Agregar.
A continuación, haga clic en Aceptar para establecer las opciones y aplicar el preprocesamiento a los datos. Guárdalo como Spectra_baseline. A continuación, vuelva a la ventana de comandos y reemplace los datos utilizando el resultado corregido de la línea base.
Ahora, vaya al Editor de texto y ejecute el programa como se muestra aquí. Esto resumirá los valores entre 2910 y 2965 centímetros inversos para obtener los valores de intensidad debajo de cada espectro Raman a partir de la medición de 26 pasos consecutivos y almacenarlos en un archivo de Excel. En MATLAB, vaya al espacio de trabajo y establezca la ruta de acceso de los datos en Depth_save, como se muestra.
A continuación, utilice el proceso descrito aquí para interpolar el valor de desplazamiento del instrumento de 26 a 260 utilizando la función linspace en MATLAB. Este proceso interpolará el valor de intensidad de 26 a 260 utilizando el método spline, aprovechando los 260 valores de posición recién generados. Además, utilizará los valores de posición e intensidad 260 como entradas x e y para la función polyfit respectivamente, estableciendo el valor de grado en 20.
A continuación, utilizará los coeficientes de salida y los 260 valores de posición extendida como entrada para polival, para obtener los 260 valores de intensidad finales. A continuación, calculará la intensidad media y encontrará el punto en la curva que está más cerca de la intensidad media. También cambiará el valor de profundidad de acuerdo con la superficie de la piel, en el tamaño de paso de dos micras conocido.
Ahora, ejecuta el programa. Cargue el conjunto de datos de espectros Raman después de eliminar los espectros de la piel externa en el software PLS_Toolbox, en la plataforma MATLAB y haga clic con el botón derecho en el conjunto de datos para elegir Analizar y, a continuación, seleccione PCA. A continuación, haga clic en Elegir preprocesamiento.
Seleccione Normalizar como enfoque de preprocesamiento. A continuación, elija none para la validación cruzada. A continuación, cree el modelo utilizando los tres componentes para el análisis de descomposición PCA.
Ahora, retire la cubierta en la ventana de recolección de instrumentos Ramen in vivo y recopile los espectros de luz de la habitación en la región de alta frecuencia utilizando los mismos parámetros utilizados para la recopilación de datos del material de referencia. Identifique el factor de efecto de luz de la habitación comparando con el fondo de la luz de la habitación. Ahora, revise las puntuaciones y elimine los espectros con el valor de puntuación correspondiente significativamente más alto de lo normal.
Esto significa eliminar los valores de puntuación de más del 99,8% de todo el conjunto de datos, que es 0,16 en este estudio. Guarde los datos de bloque X de calibración resultantes. Por último, vaya al navegador PLS_Workspace y edite el nuevo archivo.
Seleccione las etiquetas de fila y vaya a Eliminación rígida excluida para eliminar permanentemente los datos excluidos antes de volver a guardar el archivo. Comience corrigiendo la línea base de espectros de Raman utilizando la misma que se acaba de mostrar. A continuación, realice el análisis PCA en el conjunto de datos preprocesado.
Trazar los valores propios en escala logarítmica junto con el número de componentes haciendo clic en el botón Elegir componente y seleccione log(eigenvalues)como valor y. Para realizar un análisis de resolución de curvas multivariante, utilice primero el botón de selección de datos para cargar el conjunto de datos en el software MCR_main. Elija manualmente el número de componentes y establezca el número de componente entre tres y ocho.
A continuación, en la pestaña Estimación inicial, haga clic en el botón Puro. A continuación, seleccione Concentración y haga clic en el botón Hacer. Una vez que la pantalla se actualiza, haga clic en el botón Aceptar y, a continuación, en Continuar para pasar a la página siguiente.
Ahora, haga clic en Continuar y, en Implementación, aplique fnnls. A continuación, seleccione seis en el menú desplegable para el número de especies con perfiles que no son de negatividad y haga clic en Continuar. En la página siguiente, elija los mismos parámetros y haga clic en Continuar.
Para determinar la ubicación en la superficie de la piel, el área bajo el pico Raman de la proteína se integró para obtener el perfil de profundidad de la señal proteica. La superficie de la piel se definió como la ubicación donde el valor de intensidad del perfil de profundidad interpolado estaba más cerca de la intensidad media. La ubicación exacta de la superficie de la piel no necesita coincidir con un punto de datos experimental.
Un total de 30, 862 espectros Raman fueron recogidos con el protocolo de recopilación de datos descrito en este video. Este gran conjunto de datos espectrales contiene valores atípicos espectrales del 20%. La identificación y eliminación adecuadas de los espectros de valores atípicos es importante para lograr un conjunto de datos adecuado.
Aquí, se puede ver la contribución de las luces de la habitación, superpuesta en un espectro de referencia de Roomlight. El análisis de componentes de principio se realizó en el conjunto de datos Raman confocal preprocesado, y el valor propio, junto con el número de factores utilizados, se trazan aquí. Se observó una disminución significativa del valor propio para el factor nueve.
Esta observación sugiere investigar modelos con el número de componentes principales que varían entre tres y ocho factores para su inclusión en el modelo de resolución de curvas multivariante. Al intentar este procedimiento, es fundamental iniciar un perfil de profundidad por encima de la superficie de la piel, para determinar con precisión la ubicación de la superficie de la piel. Esta metodología permite investigar el impacto de los productos para el cuidado de la piel en los componentes clave de la piel, incluyendo agua, proteínas y lípidos.
