La mesure directe de l’eau, des protéines et des lipides avec la résolution de profondeur dans les sujets humains est très importante pour des maladies peau-connexes, pour la caractérisation de la performance de produit de soin de peau. Cette méthode, ainsi que l’analyse subséquente, tire parti de la chimiométrie pour extraire des informations chimiques. Le principal avantage de cette technique est qu’elle permet de recueillir l’ensemble de données cliniques Raman par des opérateurs d’instruments formés qui manquent d’expertise technique pour identifier, exclure et assainir toutes les sources d’artefacts spectroscopiques.
L’ensemble de données qui en résulte peut ensuite être traité pour identifier les valeurs aberrantes qui doivent être exclues de la date précédant l’analyse. Au cours de l’analyse des données, l’un des principaux défis est la suppression des valeurs aberrantes et l’identification du nombre des éléments clés de l’ensemble de données. L’approche montre dans cette vidéo des leviers de connaissance préalable de l’ensemble de données cliniques et l’approche chimiométrique pour extraire avec succès l’eau, les protéines et les lipides avec la résolution de la profondeur.
La démonstration de la procédure sera Li Yang, technicien de notre laboratoire de C&T. Pour commencer, que le sujet place un emplacement marqué du corps de lésion ou un site de contrôle en contact étroit avec la fenêtre d’imagerie de l’instrument in vivo confocal Raman. Assurez-vous qu’ils couvrent toute la fenêtre pour éviter l’impact de la lumière ambiante sur l’imagerie.
Ensuite, ouvrez le logiciel et déplacez la mise au point jusqu’à ce qu’un spectre similaire à celui montré ici, est vu. Ensuite, déplacez la mise au point à 10 microns de la surface de la peau. Recueillir des données pendant 26 étapes avec une taille d’étape de deux microns dans la région de fréquence montrée ici, en utilisant un temps d’exposition d’une seconde.
Mesurez huit répliques pour chaque zone, d’une durée totale pouvant aller jusqu’à 15 minutes. Tout d’abord, utilisez la fenêtre de commande et MATLAB pour modifier l’extension de fichier des données collectées de ric à mat. Chargez ensuite le fichier mat sur la plate-forme logicielle MATLAB, comme indiqué ici.
Corrigez la ligne de base de l’ensemble de données à l’aide de la méthode automatique pondérée des moins carrés, en vous rendre à la fenêtre PLS_Workspace et en cliquant à droite sur l’ensemble de données importé, en faisant défiler pour analyser, en sélectionnant d’autres outils et en cliquant sur Prétraitement. Dans la fenêtre qui apparaît, cliquez sur Afficher. Ensuite, faites défiler la barre d’outils méthodes disponibles jusqu’au filtrage de ligne de base des carrés pondérés automatiques et sélectionnez Ajouter.
Ensuite, cliquez sur Ok pour définir les options et appliquer le prétraitement aux données. Enregistrez ça comme Spectra_baseline. Ensuite, retournez à la fenêtre de commande et remplacez les données à l’aide du résultat corrigé de base.
Maintenant, allez à l’éditeur de texte et exécutez le programme comme indiqué ici. Cela résumera les valeurs entre 2910 et 2965 centimètres inverses pour obtenir les valeurs d’intensité sous chaque spectre Raman à partir des 26 étapes consécutives de mesure, et les stocker dans un fichier Excel. Dans MATLAB, rendez-vous dans l’espace de travail et définissez le chemin d’accès aux données Depth_save, comme indiqué.
Ensuite, utilisez le processus décrit ici pour interpoler la valeur offset de l’instrument de 26 à 260 en utilisant la fonction linspace dans MATLAB. Ce processus permettra d’interpoler la valeur d’intensité de 26 à 260 en utilisant la méthode spline, en tirant parti des 260 valeurs de position nouvellement générées. En outre, il utilisera les valeurs de position et d’intensité de 260 comme entrées x et y pour la fonction polyfit respectivement, fixant la valeur du degré à 20.
Ensuite, il utilisera les coefficients de sortie et les 260 valeurs de position étendues comme entrée pour le polyval, pour obtenir les 260 valeurs d’intensité finales. Ensuite, il calculera l’intensité moyenne et trouvera le point dans la courbe qui est le plus proche de l’intensité moyenne. Il changera également la valeur de profondeur selon la surface de peau, dans la taille connue d’étape de deux microns.
Maintenant, exécutez le programme. Chargez l’ensemble de données spectra Raman après l’enlèvement des spectres externes de la peau dans le logiciel PLS_Toolbox, sous la plate-forme MATLAB et cliquez à droite sur l’ensemble de données pour choisir Analyser puis sélectionner PCA. Ensuite, cliquez sur Choisir le prétraitement.
Sélectionnez Normaliser comme approche de prétraitement. Ensuite, choisissez-en un pour la validation croisée. Ensuite, construisez le modèle à l’aide des trois composants pour l’analyse de décomposition pca.
Maintenant, retirez le couvercle de la fenêtre de collecte d’instruments Ramen in vivo et recueillez les spectres lumineux de la pièce dans la région à haute fréquence en utilisant les mêmes paramètres utilisés pour la collecte de données du matériau de référence. Identifiez le facteur d’effet de lumière de pièce par comparaison avec le fond léger de pièce. Maintenant, passez en revue les scores et supprimez les spectres avec la valeur de score correspondante significativement plus élevée que la normale.
Cela signifie supprimer les valeurs de score de plus de 99,8% de l’ensemble des données, qui est de 0,16 dans cette étude. Enregistrez les données d’étalonnage X-block qui en résultent. Enfin, allez au navigateur PLS_Workspace et modifiez le nouveau fichier.
Sélectionnez les étiquettes de ligne et passez à Hard Delete Excluded pour supprimer définitivement les données exclues avant de ré-enregistrer le fichier. Commencez par corriger la ligne de base des spectres Raman à l’aide de la même ligne de base qui vient d’être affichée. Ensuite, effectuez l’analyse PCA sur l’ensemble de données prétraités.
Tracez les eigenvalues dans l’échelle logarithmique avec le nombre de composants en cliquant sur le bouton Choisir le composant, et sélectionnez log (eigenvalues)comme valeur y. Pour effectuer l’analyse multivarié de résolution de courbe, utilisez d’abord le bouton de sélection de données pour charger l’ensemble de données dans MCR_main logiciel. Choisissez manuellement le nombre de composants et réglez le numéro de composant entre trois et huit.
Ensuite, sous l’onglet Estimation initiale, cliquez sur le bouton Pure. Ensuite, sélectionnez Concentration et cliquez sur le bouton Faire. Une fois que l’écran se rafraîchit, cliquez sur le bouton Ok, puis continuer à passer à la page suivante.
Maintenant, cliquez sur Continuer, et sous mise en œuvre, appliquer fnnls. Ensuite, sélectionnez six dans le menu drop-down pour le nombre d’espèces ayant des profils de non-négativité, et cliquez sur Continuer. Sur la page suivante, choisissez les mêmes paramètres et cliquez sur Continuer.
Pour déterminer l’emplacement à la surface de la peau, la zone sous le pic Raman de la protéine a été intégrée pour obtenir le profil de profondeur du signal protéique. La surface de la peau a été définie comme l’endroit où la valeur d’intensité du profil de profondeur interpolé était la plus proche de l’intensité moyenne. L’emplacement exact de la surface de la peau n’a pas besoin de coïncider avec un point de données expérimental.
Un total de 30 862 spectres Raman ont été recueillis avec le protocole de collecte de données décrit dans cette vidé o. Ce grand ensemble de données spectrales contient des valeurs aberrantes spectrales de 20 %. Il est important d’identifier et d’enlever les spectres aberrants pour parvenir à un ensemble de données approprié.
Ici, on peut voir la contribution des lumières de pièce, superposées sur un spectre de référence de Roomlight. L’analyse des composants principaux a été effectuée sur l’ensemble de données confocal Raman prétraité, et l’eigenvalue, ainsi que le nombre de facteurs utilisés, sont tracés ici. Une diminution significative de l’eigenvalue a été observée pour le facteur neuf.
Cette observation suggère d’étudier des modèles dont le nombre de composants principaux varie entre trois et huit facteurs à inclure dans le modèle multivarié de résolution de courbe. Lorsque vous essayez cette procédure, il est essentiel de commencer un profil de profondeur au-dessus de la surface de la peau, pour déterminer avec précision l’emplacement de la surface de la peau. Cette méthodologie permet d’enquête sur l’impact des produits de soins de la peau sur les principaux composants de la peau, y compris l’eau, les protéines et les lipides.
