Известия Саратовского университета.

Новая серия. Серия Физика

ISSN 1817-3020 (Print)
ISSN 2542-193X (Online)

Для цитирования:

Шевцова С. А., Савельева М. С., Майорова О. А., Прихожденко Е. С. Влияние малых концентраций гиалуроновой кислоты на структуру изолята сывороточного протеина при конъюгировании: разработка и оптимизация моделей машинного обучения на основе адаптивного бустинга для анализа спектроскопических данных // Известия Саратовского университета. Новая серия. Серия: Физика. 2025. Т. 25, вып. 3. С. 305-315. DOI: 10.18500/1817-3020-2025-25-3-305-315, EDN: KWEXHY

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
29.08.2025
Полный текст в формате PDF(Ru):
скачать
(загрузок: 100)
Язык публикации: 
русский
Рубрика: 
Оптика и спектроскопия. Лазерная физика
Тип статьи: 
Научная статья
УДК: 
519.688:543.424.2
DOI: 
10.18500/1817-3020-2025-25-3-305-315
EDN: 
KWEXHY

Влияние малых концентраций гиалуроновой кислоты на структуру изолята сывороточного протеина при конъюгировании: разработка и оптимизация моделей машинного обучения на основе адаптивного бустинга для анализа спектроскопических данных

Авторы: 
Шевцова Светлана Александровна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Савельева Мария Сергеевна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Майорова Оксана Александровна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Прихожденко Екатерина Сергеевна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

В данном исследовании с помощью спектроскопии комбинационного рассеяния (КР) было изучено влияние малых концентраций гиалуроновой кислоты (ГК, 0.1–0.5%) на структуру изолята сывороточного протеина (ИСП) при конъюгировании. Анализ спектров КР выявил, что основное изменение происходит в области 1003 см–1, соответствующей колебаниям фенилаланина. Для классификации и регрессионного анализа спектральных данных использовались ансамблевые методы машинного обучения, включая адаптивный бустинг (AdaBoost). Оптимальные параметры модели (глубина дерева принятия решений max_depth=3, количество деревьев в ансамбле 325) обеспечили высокую точность классификации (98.3%) и коэффициент детерминации (R2 = 0.91) при объеме обучающей выборки 300 спектров на образец. Подбор параметров проводился с помощью решетчатого поиска (GridSearchCV). Было также изучено влияние объема обучающей выборки на эффективность модели адаптивного бустинга. Модель также позволила выявить ключевые волновые числа (763, 1003, 1240, 1400 см–1), наиболее значимые для прогнозирования изменений в структуре ИСП при добавлении ГК. Результаты демонстрируют перспективность комбинации спектроскопии КР и машинного обучения для анализа белково-полисахаридных взаимодействий.

Ключевые слова: 
гиалуроновая кислота
изолят сывороточного протеина
спектроскопия КР
адаптивный бустинг
машинное обучение
решётчатый поиск
классификация
регрессия
Благодарности: 
Работа выполнена при финансовой поддержке Российского научного фонда (проект № 22-79-10270, https://rscf.ru/project/22-79-10270/).
Список источников: 
  1. Vaou N., Stavropoulou E., Voidarou C., Tsakris Z., Rozos G., Tsigalou C., Bezirtzoglou E. Interactions between medical plant-derived bioactive compounds: Focus on antimicrobial combination effects. Antibiotics, 2022, vol. 11, iss. 8, art. 1014. https://doi.org/10.3390/antibiotics11081014
  2. Mehta N., Kumar P., Verma A. K., Umaraw P., Kumar Y., Malav O. P., Sazili A. Q., Domínguez R., Lorenzo J. M. Microencapsulation as a noble technique for the application of bioactive compounds in the food Industry: A comprehensive review. Appl. Sci., 2022, vol. 12, no. 3, art. 1424. https://doi.org/10.3390/app12031424
  3. Senthilkumar K., Vijayalakshmi A., Jagadeesan M., Somasundaram A., Pitchiah S., Gowri S. S., Alharbi S. A., Ansari M. J., Ramasamy P. Preparation of self-preserving personal care cosmetic products using multifunctional ingredients and other cosmetic ingredients. Sci. Rep., 2024, vol. 14, no. 1, art. 19401. https://doi.org/10.1038/s41598-024-57782-9
  4. Saletnik A., Saletnik B., Puchalski C. Overview of Popular Techniques of Raman Spectroscopy and Their Potential in the Study of Plant Tissues. Molecules, 2021, vol. 26, no. 6, art. 1537. https://doi.org/10.3390/molecules26061537
  5. Rebrosova K., Samek O., Kizovsky M., Bernatova S., Hola V., Ruzicka F. Raman spectroscopy – A novel method for identification and characterization of microbes on a single-cell level in clinical settings. Front. Cell. Infect. Microbiol., 2022, vol. 12, art. 866463. https://doi.org/10.3389/fcimb.2022.866463
  6. Pezzotti G. Raman spectroscopy in cell biology and microbiology. J. Raman Spectrosc., 2021, vol. 52, no. 12, pp. 2348–2443. https://doi.org/10.1002/jrs.6204
  7. Kočišová E., Kuižová A., Procházka M. Analytical applications of droplet deposition Raman spectroscopy. Analyst, 2024, vol. 149, iss. 12, pp. 3276–3287. https://doi.org/10.1039/D4AN00336E
  8. Dodo K., Fujita K., Sodeoka M. Raman Spectroscopy for Chemical Biology Research. J. Am. Chem. Soc., 2022, vol. 144, no. 43, pp. 19651–19667. https://doi.org/10.1021/jacs.2c05359
  9. Koronaki E. D., Kaven L. F., Faust J. M., Kevrekidis I. G., Mitsos A. Nonlinear manifold learning determines microgel size from Raman spectroscopy. AIChE J., 2024, vol. 70, no. 10, art. e18494. https://doi.org/10.1002/aic.18494
  10. Zhang Y., Gao P., Zhang N., Hong H., Ruan J., Gao X. Efficient detection of specific pharmaceutical components in compound medications based on Raman spectroscopy. Opt. Commun., 2025, vol. 577, art. 131470. https://doi.org/10.1016/j.optcom.2024.131470
  11. Sun Y., Tang H., Zou X., Meng G., Wu N. Raman spectroscopy for food quality assurance and safety monitoring: A review. Curr. Opin. Food Sci., 2022, vol. 47, art. 100910. https://doi.org/10.1016/j.cofs.2022.100910
  12. Fernández-Manteca M. G., Ocampo-Sosa A. A., de Alegría-Puig C. R., Roiz M. P., Rodríguez-Grande J., Madrazo F., Calvo J., Rodríguez-Cobo L., López-Higuera J. M., Fariñas M. C., Cobo A. Automatic classification of Candida species using Raman spectroscopy and machine learning. Spectrochim. Acta Part A Mol. Biomol. Spectrosc., 2023, vol. 290, art. 122270. https://doi.org/10.1016/j.saa.2022.122270
  13. Guo F., Yang X., Zhang Z., Liu S., Zhang Y., Wang H. Rapid Raman spectroscopy analysis assisted with machine learning: A case study on Radix Bupleuri. J. Sci. Food Agric., 2025, vol. 105, iss. 4, pp. 2412–2419. https://doi.org/10.1002/jsfa.14012
  14. Tang J.-W., Li F., Liu X., Wang J. T., Xiong X. S., Lu X. Y., Zhang X.-Y., Si Y.-T., Umar Z., Tay A. C. Y., Marshall B. J., Yang W.-X., Gu B., Wang L. Detection of Helicobacter pylori Infection in Human Gastric Fluid Through Surface-Enhanced Raman Spectroscopy Coupled With Machine Learning Algorithms. Lab. Investig., 2024, vol. 104, iss. 2, art. 100310. https://doi.org/10.1016/j.labinv.2023.100310
  15. Freund Y., Schapire R. E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. J. Comput. Syst. Sci., 1997, vol. 55, no. 1, pp. 119–139. https://doi.org/10.1006/jcss.1997.1504
  16. Zhu J., Zou H., Rosset S., Hastie T. Multi-class adaboost. Stat. Interface, 2009, vol. 2, no. 3, pp. 349–360. https://doi.org/10.4310/SII.2009.v2.n3.a8
  17. Wang P., Li Y., Wang K., Qu H. Research on the application of ensemble learning methods for rapid diagnosis of osteoarthritis. Ensemble learning-assisted rapid diagnosis methods. Practical research on the application of serum Raman spectroscopy combined with ensemble learning methods. In: ICBAR’24: Proceedings of the 2024 4th International Conference on Big Data, Artificial Intelligence and Risk Management. New York, ACM, 2024, pp. 421–427. https://doi.org/10.1145/3718751.3718818
  18. Poth M., Magill G., Filgertshofer A., Popp O., Großkopf T. Extensive evaluation of machine learning models and data preprocessings for Raman modeling in bioprocessing. J. Raman Spectrosc., 2022, vol. 53, no. 9, pp. 1580–1591. https://doi.org/10.1002/jrs.6402
  19. Mishra D. P., Gupta H. K., Saajith G., Bag R. Optimizing heart disease prediction model with gridsearch CV for hyperparameter tuning. In: 2024 1st International Conference on Cognitive, Green and Ubiquitous Computing (IC–CGU). IEEE, 2024, pp. 1–6. https://doi.org/10.1109/IC-CGU58078.2024.10530772
  20. Muzayanah R., Pertiwi D. A. A., Ali M., Muslim M. A. Comparison of gridsearchcv and bayesian hyperparameter optimization in random forest algorithm for diabetes prediction. J. Soft Comput. Explor., 2024, vol. 5, no. 1, pp. 86–91. https://doi.org/10.52465/joscex.v5i1.308
  21. Kurniasih A., Previana C. N. Implementation of Grid-SearchCV to find the best hyperparameter combination for classification model flgorithm in predicting water potability. J. Artif. Intell. Eng. Appl., 2025, vol. 4, no. 2, pp. 1174–1182. https://doi.org/10.59934/jaiea.v4i2.844
  22. Rajput D., Wang W.-J., Chen C.-C. Evaluation of a decided sample size in machine learning applications. BMC Bioinformatics, 2023, vol. 24, no. 1, art. 48. https://doi.org/10.1186/s12859-023-05156-9
  23. Ramezan C. A., Warner T. A., Maxwell A. E., Price B. S. Effects of training set size on supervised machine-learning land-cover classification of large-area high-resolution remotely sensed data. Remote Sens., 2021, vol. 13, iss. 3, art. 368. https://doi.org/10.3390/rs13030368
  24. Stahlschmidt S. R., Ulfenborg B., Synnergren J. Multimodal deep learning for biomedical data fusion: A review. Brief. Bioinform., 2022, vol. 23, iss. 2, art. bbab569. https://doi.org/10.1093/bib/bbab569
  25. Bates F., Busato M., Piletska E., Whitcombe M. J., Karim K., Guerreiro A., del Valle M., Giorgetti A., Piletsky S. Computational design of molecularly imprinted polymer for direct detection of melamine in milk. Sep. Sci. Technol., 2017, vol. 52, iss. 8, pp. 1441–1453. https://doi.org/10.1080/01496395.2017.1287197
  26. Lu Y., Xia Y., Liu G., Pan M., Li M., Lee N. A., Wang S. A Review of methods for detecting melamine in food samples. Crit. Rev. Anal. Chem., 2017, vol. 47, iss. 1, pp. 51–66. https://doi.org/10.1080/10408347.2016.1176889
  27. Einkamerer O. B., Ferreira A. V., Fair M. D., Hugo A. The effect of dietary non-protein nitrogen content on the meat quality of finishing lambs. S. Afr. J. Anim., 2024, vol. 54, no. 3, pp. 340–357. https://doi.org/10.4314/sajas.v54i3.05
  28. Alizadeh Sani M., Jahed-Khaniki G., Ehsani A., Shariatifar N., Hadi Dehghani M., Hashemi M., Hosseini H., Abdollahi M., Hassani S., Bayrami Z., McClements D. J. Metal-organic framework fluorescence sensors for rapid and accurate detection of melamine in milk powder. Biosensors, 2023, vol. 13, no. 1, art. 94. https://doi.org/10.3390/bios13010094
  29. Lukacs M., Zaukuu J. L. Z., Bazar G., Pollner B., Fodor M., Kovacs Z. Comparison of multiple NIR spectrometers for detecting low-concentration nitrogen-based adulteration in protein powders. Molecules, 2024, vol. 29, no. 4, art. 781. https://doi.org/10.3390/molecules29040781
  30. Lukacs M., Bazar G., Pollner B., Henn R., Kirchler C. G., Huck C. W., Kovacs Z. Near infrared spectroscopy as an alternative quick method for simultaneous detection of multiple adulterants in whey protein-based sports supplement. Food Control, 2018, vol. 94, pp. 331–340. https://doi.org/10.1016/j.foodcont.2018.07.004
  31. Marinho A., Nunes C., Reis S. Hyaluronic acid: A key ingredient in the therapy of inflammation. Biomolecules, 2021, vol. 11, no. 10, art. 1518. https://doi.org/10.3390/biom11101518
  32. Yasin A., Ren Y., Li J., Sheng Y., Cao C., Zhang K. Advances in hyaluronic acid for biomedical applications. Front. Bioeng. Biotechnol., 2022, vol. 10, art. 910290. https://doi.org/10.3389/fbioe.2022.910290
  33. Juncan A. M., Moisă D. G., Santini A., Morgovan C., Rus L. L., Vonica-Țincu A. L., Loghin F. Advantages of hyaluronic acid and Its combination with other bioactive ingredients in cosmeceuticals. Molecules, 2021, vol. 26, no. 15, art. 4429. https://doi.org/10.3390/molecules26154429
  34. Iaconisi G. N., Lunetti P., Gallo N., Cappello A. R., Fiermonte G., Dolce V., Capobianco L. Hyaluronic Acid: A powerful biomolecule with wide-ranging applications – A comprehensive review. Int. J. Mol. Sci., 2023, vol. 24, no. 12, art. 10296. https://doi.org/10.3390/ijms241210296
  35. Wang N., Zhao X., Jiang Y., Ban Q., Wang X. Enhancing the stability of oil-in-water emulsions by non-covalent interaction between whey protein isolate and hyaluronic acid. Int. J. Biol. Macromol., 2023, vol. 225, pp. 1085–1095. https://doi.org/10.1016/j.ijbiomac.2022.11.170
  36. Zhong W., Li C., Diao M., Yan M., Wang C., Zhang T. Characterization of interactions between whey protein isolate and hyaluronic acid in aqueous solution: Effects of pH and mixing ratio. Colloid. Surf. B: Biointerfaces, 2021, vol. 203, art. 111758. https://doi.org/10.1016/j.colsurfb.2021.111758
  37. Zhong W., Zhang T., Dong C., Li J., Dai J., Wang C. Effect of sodium chloride on formation and structure of whey protein isolate/hyaluronic acid complex and its ability to loading curcumin. Colloid. Surf. A: Physicochem. Eng. Asp., 2022, vol. 632, art. 127828. https://doi.org/10.1016/j.colsurfa.2021.127828
  38. Zhong W., Li J., Wang C., Zhang T. Formation, stability and in vitro digestion of curcumin loaded whey protein/hyaluronic acid nanoparticles: Ethanol desolvation vs. pH-shifting method. Food Chem., 2023, vol. 414, art. 135684. https://doi.org/10.1016/j.foodchem.2023.135684
  39. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine Learning in Python. J. Mach. Learn. Res., 2011, vol. 12, iss. 85, pp. 2825–2830. Available at: http://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf (accessed April 22, 2025).
  40. Zhao Y., Ma C. Y., Yuen S. N., Phillips D. L. Study of succinylated food proteins by Raman spectroscopy. J. Agric. Food Chem., 2004, vol. 52, iss. 7, pp. 1815–1823. https://doi.org/10.1021/jf030577a
  41. Mayorova O. A., Saveleva M. S., Bratashov D. N., Prikhozhdenko E. S. Combination of machine learning and Raman spectroscopy for determination of the complex of whey protein isolate with hyaluronic acid. Polymers, 2024, vol. 16, no. 5, art. 666. https://doi.org/10.3390/polym16050666
  42. Breiman L. Random Forests. Mach. Learn., 2001, vol. 45, pp. 5–32. https://doi.org/10.1023/A:1010933404324
  43. Becker T., Rousseau A. J., Geubbelmans M., Burzykowski T., Valkenborg D. Decision trees and random forests. Am. J. Orthod. Dentofac. Orthop., 2023, vol. 164, iss. 6, pp. 894–897. https://doi.org/10.1016/j.ajodo.2023.09.011
  44. Sun Z., Wang G., Li P., Wang H., Zhang M., Liang X. An improved random forest based on the classification accuracy and correlation measurement of decision trees. Expert Syst. Appl., 2024, vol. 237, pt. B, art. 121549. https://doi.org/10.1016/j.eswa.2023.121549
  45. Friedman J. H. Greedy Function Approximation: A gradient boosting machine. Ann. Stat., 2001, vol. 29, no. 5, pp. 1189–1232. Available at: http://www.jstor.org/stable/2699986 (accessed April 22, 2025)
  46. Friedman J. H. Stochastic gradient boosting. Comput. Stat. Data Anal., 2002, vol. 38, iss. 4, pp. 367–378. https://doi.org/10.1016/S0167-9473(01)00065-2
  47. Wang M., Zhang J. Surface enhanced Raman spectroscopy Pb2+ Ion Detection based on a gradient boosting decision tree algorithm. Chemosensors, 2023, vol. 11, no. 9, art. 509. https://doi.org/10.3390/chemosensors11090509
Поступила в редакцию: 
02.05.2025
Принята к публикации: 
12.06.2025
Опубликована: 
29.08.2025
  • 265 просмотров