《ACS Omega》：Automated Baseline Correction Evaluation Score for Raman Spectroscopy
编辑推荐：
为克服拉曼光谱基线校正依赖专家主观目视评估的局限性，研究人员开发了完整性光谱评分（IS-Score）。该自动化定量指标通过整合谱峰、谱谷、曲线下面积等多重特征，实现对基线欠拟合与过拟合的客观评估。在复杂双层血细胞数据集上的验证表明，IS-Score与专家评估高度一致，并能大幅节省评估时间。该方法为多中心研究提供了标准化的基线校正评估工具，有助于提升临床研究中拉曼数据的可靠性与可比性。
想象一下，你是一位科学家，手中有一把名为“拉曼光谱”的魔法放大镜，可以让你在不损伤样品的情况下，清晰地“看”到其内部的分子构成。这项技术在医学诊断、药物开发和材料科学等领域大放异彩，被誉为窥探微观世界的利器。然而，这件利器有一个恼人的“瑕疵”：它获取的信号极其微弱，就像一个在嘈杂派对上试图说话的人，其声音很容易被背景噪音（如荧光）所淹没。为了听清“说话者”的真实声音，科学家们必须进行一项至关重要的预处理步骤——基线校正。这个过程就像是给光谱曲线“去背景”，去掉那些不想要的荧光和杂散光信号，从而让代表真实化学信息的“拉曼峰”清晰地凸显出来。
但问题来了：如何判断一条基线是否校正得“恰到好处”呢？长期以来，这都依赖于领域专家用肉眼观察和判断。这种方法不仅主观、耗时，在面对海量的临床数据时更是显得不切实际。更麻烦的是，不同的基线校正算法和参数设置，可能导致“过拟合”（把有用的信号峰也给“抹平”了）或“欠拟合”（背景噪声去除不干净），进而扭曲关键的化学信息，直接影响后续分析的准确性。有没有一种方法，能像裁判一样，自动、客观地给每条基线的拟合质量打个分呢？发表在《ACS Omega》上的一项研究，正是为了解决这个痛点。研究人员开发了一种全新的自动化定量指标——完整性光谱评分，旨在为拉曼光谱的基线校正提供一个无需人工干预、客观且可量化的“质量评分员”。
为了开展这项研究，作者主要运用了以下关键技术方法：研究核心是提出并验证“完整性光谱评分”算法本身。该算法利用Python编程实现，结合了NumPy、SciPy和findpeaks等库进行数值计算、信号处理和峰谷检测。研究使用了两个已发表的拉曼光谱数据集进行验证，包括来自分离的红细胞/聚合物袋的简单光谱，以及更复杂的双层红细胞-聚合物穿透光谱，以评估算法在不同背景复杂性下的表现。研究还涉及多种基线校正算法的比较，如非对称最小二乘法、BubbleFill和修正多项式拟合法，并通过计算IS-Score来评估其性能。最后，研究者开发了带有图形用户界面的Python软件包，以促进该方法的实际应用。
研究结果
IS-Score算法设计
研究团队提出的IS-Score算法，其核心思想是模仿专家评估基线质量时所关注的多个方面。它不需要“标准答案”（真实基线），仅需原始拉曼光谱和其基线校正后的版本作为输入。算法通过一系列“惩罚模块”，对基线拟合中的过拟合和欠拟合行为进行量化扣分。如图2和图3所示，算法结构清晰，分别针对单峰/单谷、峰/谷区域、曲线下面积、平均比率和强度等特征设置了评估与惩罚机制。每个模块都旨在捕捉基线偏离理想状态的特定模式，例如，单峰惩罚模块通过比较基线强度与“评估点”（定义为峰强度减去其凸起度的75%）来判断是否过拟合，如图6所示。而单谷惩罚模块则用于检测欠拟合，如图7所示。最终，总惩罚分从1中扣除，得到介于0到1之间的IS-Score，分数越高表示基线拟合质量越好。
算法在复杂生物数据上的验证
为了验证IS-Score的有效性，研究在两个拉曼光谱数据集上进行了实验。第一个实验在仅含聚合物光谱的数据集上，使用同一种基线校正算法但不同的参数。结果显示，当平滑参数λ设置不当时，会产生明显过拟合或欠拟合的基线，而IS-Score能够准确地区分出这些情况，为拟合较好的参数配置给出更高的分数。第二个实验在更为复杂的双层聚合物-血细胞数据集上进行，比较了三种不同的基线校正算法。如图10所示，非对称最小二乘法获得了最高的IS-Score，BubbleFill次之，而修正多项式拟合法因严重欠拟合、移除了700-900 cm-1区域的信号成分而得分最低。这表明IS-Score能够有效识别不同算法在处理复杂背景光谱时的性能差异。
研究结论与讨论
本研究成功开发并验证了完整性光谱评分，这是首个直接从原始拉曼光谱及其基线校正版本出发，无需真实基线标签或人工目视检查，即可定量评估基线校正质量的算法。IS-Score通过整合多个光谱属性，构建了一个全面的评估体系，能够同时捕捉过拟合和欠拟合行为。在复杂生物数据上的测试表明，其评估结果与专家判断高度一致，同时极大地减少了专家所需的时间投入。
该研究的核心意义在于，它为解决拉曼光谱预处理中长期存在的主观性和低效性问题提供了一套自动化、客观化的解决方案。与依赖模拟数据或需要多波长测量的现有评估方法相比，IS-Score更具普适性和实用性。它不仅能够帮助研究人员快速筛选和优化基线校正算法及参数，确保整个数据集处理的一致性，还能识别出拟合不佳的异常光谱，从而提高后续化学计量学分析的可靠性。尽管在缺乏真实基线的情况下，IS-Score的评估仍具有一定的不确定性，但其作为一个强有力的指示性工具，足以显著提升拉曼光谱数据预处理的标准化水平和可重复性。此外，研究团队提供了开源的Python软件包和图形用户界面，极大促进了该方法的可及性和广泛应用。未来，IS-Score甚至有望作为目标函数，集成到机器学习框架中，用于自动优化或预测最佳基线，进一步推动拉曼光谱分析向全自动化、智能化方向发展。
