[論文レビュー] Bayesian modelling and quantification of Raman spectroscopy

Matthew T. Moores, Kirsten Gracie+4 more|arXiv (Cornell University)|Apr 25, 2016

Spectroscopy and Chemometric Analyses参考文献 61被引用数 11

ひとこと要約

本稿では、Ramanピークのパラメータ（振幅、FWHM、位置）と滑らかなバックグラウンドを同時に推定できるベイジアン階層モデルを提案する。このモデルは逐次モンテカルロ（SMC）法を用い、多変量キャリブレーションの精度を高め、検出限界（LOD）の推定を改善する。ピークはローレンツ関数、ガウス関数、擬似ボイチ関数としてモデル化され、ペナルティ付きBスプラインを用いてバックグラウンド補正が行われる。後部確信度推定により不確実性を伝播させ、複雑なスペクトルにおける定量の正確性を向上させる。

ABSTRACT

Raman spectroscopy can be used to identify molecules such as DNA by the characteristic scattering of light from a laser. It is sensitive at very low concentrations and can accurately quantify the amount of a given molecule in a sample. The presence of a large, nonuniform background presents a major challenge to analysis of these spectra. To overcome this challenge, we introduce a sequential Monte Carlo (SMC) algorithm to separate the observed spectrum into a series of peaks plus a smoothly-varying baseline, corrupted by additive white noise. The peaks are modelled using Lorentzian or Gaussian broadening functions, while the baseline is estimated using a penalised cubic spline. This latent continuous representation accounts for differences in resolution between measurements. By incorporating this representation in a Bayesian model, we can quantify the relationship between molecular concentration and peak intensity, thereby providing an improved estimate of the limit of detection (LOD), which is of major importance in analytical chemistry.

研究の動機と目的

• Raman分光法における非一様で変動するバックグラウンドが、正確なピーク定量を妨げるという課題に対処する。
• 事前処理によるバックグラウンド差し引きによるバイアスを回避する、スケーラブルで不確実性を考慮した多変量キャリブレーション手法を構築する。
• ピークおよびバックグラウンドパラメータの不確実性を組み込むことで、低濃度 analyte の検出限界（LOD）の推定を改善する。
• 新規データの到着に応じて後部分布を効果的に逐次更新できる仕組みを提供し、リアルタイムまたは適応的解析を可能にする。
• ベイジアン推論を用いた、低濃度分子の定量に柔軟かつオープンソースで利用可能なフレームワークを提供する。

提案手法

• ピークパラメータとバックグラウンドの同時後部分布からのサンプリングに、逐次モンテカルロ（SMC）アルゴリズムを採用する。
• ピーク形状のばらつきや広がりを捉えるために、ローレンツ関数、ガウス関数、擬似ボイチ関数の混合モデルを用いる。
• 滑らかで非一様なバックグラウンドを表現するために、ペナルティ付きBスプラインを用い、柔軟かつ非パラメトリックな推定を可能にする。
• 量子力学的予測（例：TD-DFT）から得られる情報的事前分布を組み込み、モデルの同定可能性を向上させる。
• ピーク強度と分子濃度を結びつけるベイジアン階層回帰モデルを構築し、多変量キャリブレーションを可能にする。
• 主要パラメータ（LODやFWHMを含む）の不確実性を定量化するために、最高後部密度（HPD）区間を用いる。

実験結果

リサーチクエスチョン

• RQ1 Raman分光法における事前処理によるバイアスを低減するため、バックグラウンド補正とピーク検出を同時にモデル化する方法は何か？
• RQ2 ピーク形状（ローレンツ型、ガウス型、擬似ボイチ型）をモデル化することの、濃度定量の精度に与える影響は何か？
• RQ3 逐次モンテカルロアルゴリズムは、重なり合うピークを有する複雑なRamanスペクトルに対し、スケーラブルで頑健な推論を提供できるか？
• RQ4 バックグラウンドおよびピークパラメータの不確実性は、低濃度 analyte の検出限界（LOD）の推定にどのように影響するか？
• RQ5 ベイジアン階層モデルは、単変量または古典的最小二乗法と比較して、多変量キャリブレーションをどの程度改善できるか？

主な発見

• 本モデルは、TAMRA染料の検出限界（LOD）を6〜16ピコモル（pM）の濃度範囲で良好に推定した。95％HPD区間により、34個のピーク中17個で0.65 nMで検出可能であることが確認された。
• 0.13 nMの濃度では、460 cm⁻¹および965 cm⁻¹のピークのLOD上界が濃度を超えており、スペクトルの視覚的検査と整合的に、検出不能であることが示された。
• 1455 cm⁻¹のピークはモデルによって低く推定された。これは、低信号領域におけるピーク形状とバックグラウンドの相互作用への感受性を示している。
• アルゴリズムは局所的最大値に対して頑健であり、後部分布の逐次的更新が可能であり、データ豊富な環境におけるスケーラビリティと適応性を実現した。
• 擬似ボイチ関数の使用により、純粋なガウス関数やローレンツ関数の仮定よりも、ピーク形状のモデリングが向上した。特にピークが重なっている領域で顕著であった。
• オープンソースのRパッケージ実装により、再現可能な解析が可能となり、マルチプレックス化または空間分解能を持つRamanマッピング応用への応用拡張が可能になった。