针对高度相关注释的拉曼光谱数据增强方案

在生物技术中，拉曼光谱作为一种过程分析技术（PAT）迅速普及，用于测量细胞密度、底物和产物浓度。由于它记录分子的振动模式，因此可以在单个光谱中非侵入性地提供这些信息。通常，偏最小二乘法（PLS）是从光谱推断感兴趣变量信息的首选模型。然而，生物过程以其复杂性而闻名，卷积神经网络（CNN）是一种强大的替代方案。它们可以处理非高斯噪声，并考虑光束未对准、像素故障或其他物质的存在。然而，它们在模型训练期间需要大量数据，并且会捕捉过程变量中的非线性依赖关系。在这项工作中，我们利用光谱的加性性质，从给定数据集中生成具有统计独立标签的额外数据点，使得在这种数据上训练的网络在模型预测之间表现出低相关性。我们表明，在这些生成的数据点上训练CNN可以提高在注释与用于模型训练的数据集不具有相同相关性的数据集上的性能。这种数据增强技术使我们能够将光谱重新用作新上下文的训练数据，这些上下文表现出不同的相关性。额外的数据有助于构建更好、更稳健的模型。这在有大量历史数据但当前未用于模型训练的场景中很有意义。我们使用Ralstonia eutropha分批培养的合成光谱来演示所提出方法的能力，以监测实验过程中的底物、生物量和聚羟基脂肪酸酯（PHA）生物聚合物浓度。