Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Санкт-Петербург, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Множественная миелома и хронический лимфолейкоз являются онкологическими заболеваниями крови, которые на сегодняшний день остаются неизлечимыми. В работе предложен метод классификации образцов сыворотки крови больных множественной миеломой, хроническим лимфолейкозом и здоровых доноров на основе анализа их спектров в среднем инфракрасном (ИК) диапазоне. ИК спектры сыворотки крови регистрировали с помощью ИК-Фурье спектрометра Tensor 27 в растворе D2O. Для анализа полученных спектров в данной работе был реализован алгоритм машинного обучения – метод главных компонент. Использование метода главных компонент позволило существенно упростить представление массива спектральных данных. В работе проанализировали 45 образцов сыворотки крови. В результате применения данного подхода исследованный набор образцов разбивается на три непересекающихся множества, соответствующих образцам сыворотки крови больных множественной миеломой, хроническим лимфолейкозом и здоровых доноров. Таким образом, метод главных компонент может быть успешно применен для классификации образцов сыворотки крови пациентов с диагнозами множественная миелома и хронический лимфолейкоз. Универсальность предложенного алгоритма позволяет ожидать, что в будущем возможно применение аналогичного подхода и для других онкогематологических заболеваний.
метод главных компонент, онкогематологические заболевания, ИК-спектроскопия, множественная миелома, хронический лимфолейкоз
1. Barlogie B., Gale R.P. Multiple Myeloma and Chronic Lymphocytic Leukemia: Commonalities and Differences in Biology and Therapy. Leukemia & Lymphoma, 1991, vol. 5, no. 1, pp. 27-32.
2. Raab M.S., Podar K., Breitkreutz I., Richardson P.G., Anderson K.C. Multiple myeloma. 2009, vol. 374, 16 p.
3. Mikhailets E.S., Chernyshev D.A., Telnaya E.A., Plotnikova L.V., Garifullin A.D., Kuvshinov A.Yu., Voloshin S.V., Polyanichko A.M. Protein secondary structure analysis of serum from patients with oncohematological diseases. Journal of Physics: Conference Series, 2021, vol. 2103, p. 012053, doi:https://doi.org/10.1088/1742-6596/2103/1/012053.
4. Тельная Е.А., Плотникова Л.В., Гарифуллин А.Д., Кувшинов А.Ю., Волошин С.В., Поляничко А.М. Инфракрасная спектроскопия сыворотки крови больных онкогематологическими заболеваниями. Санкт-Петербургский государственный университет. Биофизика, 2020, т. 65, № 6, с. 1154-1160.
5. Dunn K. Process Improvement Using Data, 2010.
6. Powell W.B. Approximate Dynamic Programming: Solving the curses of dimensionality. John Wiley & Sons, 2007, vol. 703.
7. Поляничко А.М., Романов Н.М., Старкова Т.Ю. и др. Анализ вторичной структуры линкерного гистона H1 по спектрам инфракрасного поглощения. Цитология, 2014, т. 56, № 4, с. 316-322.
8. Python 3.10.0.
9. Jupyter Notebook.
10. Родионова О.Е., Померанцев А.Л. Хемометрика в аналитической химии. 2006.
