通过冻干蛋白样本和近红外光谱技术，结合可解释的深度学习方法，提高长时程增强（LTP）的检测效率

《Scientific Reports》：Enhancing the detection of LTP through lyophilized protein samples and NIR spectroscopy with explainable deep learning

　　

摘要

脂质转移蛋白（LTPs）是临床上重要的过敏原，广泛存在于植物性食品中，而在复杂的食品基质中可靠地检测这些过敏原仍然是一个重大挑战。在这项研究中，我们开发了一个集成框架，结合了近红外光谱（NIRS）、深度学习和可解释性方法，以实现LTPs的准确且可解释的识别。我们使用FLAME-NIR光谱仪（940–1700 nm）从均质化的食品样品、纯化的Pru p 3和Ara h 9蛋白及其与不含LTP的基质（如酸奶和奶粉）的混合物中收集了总共11,688个光谱数据。光谱预处理包括一阶导数变换、标准正态变量校正和特征缩放，随后通过一维卷积自编码器进行降维，生成了64维的潜在嵌入向量。这些嵌入向量被用来训练两个深度学习分类器：卷积神经网络（CNNs）和通过贝叶斯优化改进的TabTransformer。加入纯化蛋白的嵌入显著提高了分类性能。CNN模型取得了最佳性能，准确率为95.8%，精确率为97.3%，F1分数为96.9%，AUC-ROC值为0.954，优于TabTransformer（其准确率为95.19%，F1分数为96.4%）。我们使用SHAP和LIME方法评估了模型的可解释性，这些方法识别出与过敏原特征相关的特定光谱区域（940–1700 nm）的关键潜在特征。与基线模型相比，加入纯化蛋白的框架在特异性和整体鲁棒性方面都有显著提升。这些结果强调了将纯化蛋白信息纳入基于AI的光谱分析中的价值，为食品安全应用提供了一种便携、无损且可解释的过敏原检测策略。