基于拉曼技術(shù)的單細(xì)胞生長(zhǎng)檢測(cè)方法*

李新立 張欣雨 楊 強(qiáng) 李肅義

（吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，長(zhǎng)春 130061）

單細(xì)胞生長(zhǎng)檢測(cè)可以更加科學(xué)地揭示微生物代謝變化的規(guī)律，在食品污染物檢測(cè)中，細(xì)胞生長(zhǎng)狀態(tài)是重要的監(jiān)控指標(biāo)［1］。細(xì)胞生長(zhǎng)主要分為滯后期（lag phase）、對(duì)數(shù)期（log phase）、穩(wěn)定期（stationary phase）和凋亡期（apoptosis phase）4個(gè)時(shí)期［2］，不同的生長(zhǎng)時(shí)期表現(xiàn)出不同的代謝和生產(chǎn)能力。能夠在生長(zhǎng)的不同時(shí)間點(diǎn)識(shí)別和檢測(cè)特定的細(xì)菌是非常重要的，抑制食品污染一方面可以通過(guò)抑制食品中腐敗菌（或致病菌）分裂增殖使其停留在滯后期，另一方面，通過(guò)誘導(dǎo)微生物源保鮮劑（如枯草芽孢桿菌（Bacillus subtilis）［3］等）進(jìn)入對(duì)數(shù)期來(lái)抑制腐敗菌生長(zhǎng)，以保持食品良好的感官品質(zhì)和理化特性，有效延長(zhǎng)食品貨架期［4］。

在微生物生長(zhǎng)檢測(cè)中，細(xì)胞形態(tài)學(xué)［5］和吸光度檢測(cè)［6］已經(jīng)成為檢測(cè)的金標(biāo)準(zhǔn)，但檢測(cè)依賴于群體細(xì)胞培養(yǎng)，且檢測(cè)周期較長(zhǎng)，可能錯(cuò)過(guò)抑制腐敗菌增殖的最佳時(shí)期?；蛐酒?］和聚合酶鏈?zhǔn)椒磻?yīng)（PCR）［8］等分子生物學(xué)檢測(cè)技術(shù)雖然靈敏度高，但檢測(cè)需要破壞細(xì)胞結(jié)構(gòu)，且無(wú)法檢測(cè)低豐度微生物，而食品污染通常是由很少的細(xì)菌或菌落引起的［9-10］。單細(xì)胞拉曼光譜（SCRS）技術(shù)具有快速、靈敏和原位非侵入的檢測(cè)優(yōu)勢(shì)，已經(jīng)被用于在菌株水平上識(shí)別細(xì)菌［11-12］，進(jìn)一步報(bào)道稱，SCRS具有為胞內(nèi)蛋白質(zhì)、核酸、脂類等提供生物分析的化學(xué)組成和結(jié)構(gòu)信息的優(yōu)勢(shì)，可以從單細(xì)胞水平上檢測(cè)食品中微生物生命周期各個(gè)階段［13-14］，相較研究者應(yīng)用的隨機(jī)森林方法對(duì)不同生長(zhǎng)時(shí)期SCRS數(shù)據(jù)91.2% 識(shí)別準(zhǔn)確率［15］，極限梯度提升（eXtreme gradient boosting，XGBoost）模型繼承了集成學(xué)習(xí)、樹(shù)形結(jié)構(gòu)的高可靠性和特征識(shí)別能力，可以更有效地識(shí)別SCRS 所蘊(yùn)含的細(xì)胞“指紋”信息。

因此，本文提出一種基于拉曼技術(shù)的單細(xì)胞生長(zhǎng)檢測(cè)方法，用于解決食品工程中食品安全期和最佳食用期的精準(zhǔn)檢測(cè)問(wèn)題。首先，采集枯草芽孢桿菌兩個(gè)批次共900 個(gè)SCRS 數(shù)據(jù)，分別作為模型訓(xùn)練、測(cè)試和驗(yàn)證數(shù)據(jù)。其次，分別基于聚合度和耦合度評(píng)估方法，提出基于聚合度（compactness，CP） 和耦合度（separation，SP） 聯(lián)合（CP-SP）的特征評(píng)估方法，篩選最優(yōu)的SCAS檢測(cè)特征。然后，基于檢測(cè)特征構(gòu)建XGBoost 細(xì)胞生長(zhǎng)檢測(cè)模型，應(yīng)用網(wǎng)格搜索和交叉驗(yàn)證對(duì)檢測(cè)模型進(jìn)行調(diào)優(yōu)，并應(yīng)用混淆矩陣、受試者操作特征（receiver operating characteristic curve，ROC）曲線評(píng)估模型對(duì)細(xì)胞生長(zhǎng)檢測(cè)準(zhǔn)確率、敏感性和特異性。最后，應(yīng)用檢測(cè)模型檢測(cè)另一批次SCRS 數(shù)據(jù)生長(zhǎng)狀態(tài)，驗(yàn)證模型泛化能力。

1 數(shù)據(jù)和方法

基于拉曼技術(shù)的單細(xì)胞生長(zhǎng)檢測(cè)方法主要流程如圖1 所示，步驟包括：a. SCRS 數(shù)據(jù)采集，確定數(shù)據(jù)樣品、采集條件和數(shù)據(jù)劃分；b. 數(shù)據(jù)預(yù)處理，確定SCRS數(shù)據(jù)預(yù)處理方法和參數(shù)；c. 特征評(píng)估與篩選，提出基于CP-SP的特征評(píng)估方法，用來(lái)篩選出具有高內(nèi)聚、低耦合的SCRS特征組合；d. 優(yōu)化XGBoost超參數(shù)和確定模型評(píng)估方案，構(gòu)建細(xì)胞生長(zhǎng)檢測(cè)模型并確定模型評(píng)估方法；e. 方法應(yīng)用，調(diào)用檢測(cè)模型，驗(yàn)證模型的泛化能力。

Fig. 1 Experimental procedure of cell growth detection

Fig. 2 Growth curve for simultaneous culture of single-cell microorganisms

Fig. 3 Pre-processing results of SCRS data for different growth periods

Fig. 4 Results of SCRS data preprocessing for different growth periods

Fig. 5 PCA features relationship matrix of SCRS data

Fig. 6 CP-SP scores and feature contribution rates for the top 10 PCA features

Fig. 7 Logarithmic loss functions for training and validing

Fig. 8 XGBoost-based cell growth assay results and model evaluation

1.1 SCRS數(shù)據(jù)采集

1.1.1 分光光度計(jì)檢測(cè)和SCRS檢測(cè)條件

在細(xì)胞培養(yǎng)實(shí)驗(yàn)中，從接種時(shí)刻起，每隔1 h吸取3 ml 菌液，應(yīng)用紫外分光光度計(jì)檢測(cè)，記錄菌液在600 nm處的吸光度（A600），以A600值作為縱坐標(biāo)，培養(yǎng)時(shí)間作為橫坐標(biāo)繪制細(xì)胞生長(zhǎng)曲線，圖2是3組平行實(shí)驗(yàn)組重復(fù)測(cè)量的細(xì)胞A600，制作生長(zhǎng)曲線，為消除誤差所帶來(lái)的影響，在3組平行實(shí)驗(yàn)相同的時(shí)間點(diǎn)各吸取中層菌液1 μl，均勻點(diǎn)在拉曼芯片（基底材料硅酸鹽玻璃上覆蓋對(duì)細(xì)胞無(wú)損傷的鍍層金屬Al）上風(fēng)干，在Hooke P300（中國(guó)科學(xué)院長(zhǎng)春光機(jī)所和Hooke Instruments研發(fā)）拉曼顯微鏡下觀察風(fēng)干樣品。Hooke P300 激光光斑約為1 μm（100×物鏡，NA 為0.8，激發(fā)波長(zhǎng)532 nm，衍射直徑1.22×0.532 μm/0.8），所采集SCRS基本覆蓋單細(xì)胞（寬度為（0.4±0.1）μm，長(zhǎng)度為（1.3±0.5）μm）的大部分信息。

SCRS 檢測(cè)可以獲取單個(gè)細(xì)胞生長(zhǎng)過(guò)程的實(shí)時(shí)生化變化，是進(jìn)行單細(xì)胞活體生長(zhǎng)檢測(cè)的實(shí)用工具。由于微生物SCRS 在600~1 800 cm-1波段具有明顯的光譜響應(yīng)，可以作為其表型指紋區(qū)域，Hooke P300 光譜儀主要參數(shù)設(shè)置為：激發(fā)波長(zhǎng)（excitation wavelength）532 nm，光柵（grating）1 200 g/mm，激發(fā)功率（laser power）3 mW，積分時(shí)間（integration time）8 s。

1.1.2 微生物樣品選擇與同步培養(yǎng)

枯草芽孢桿菌是常見(jiàn)的微生物源食品保鮮劑［16］，通過(guò)競(jìng)爭(zhēng)生長(zhǎng)空間、資源或產(chǎn)生抗菌化合物（芬薺素等）來(lái)抑制腐敗菌生長(zhǎng)，準(zhǔn)確檢測(cè)并延長(zhǎng)食品中腐敗菌的滯后期和微生物源保鮮劑的對(duì)數(shù)可以較好維持食品感官品質(zhì)和營(yíng)養(yǎng)價(jià)值，延長(zhǎng)食品貨架期。

本文選用枯草芽孢桿菌作為細(xì)胞生長(zhǎng)檢測(cè)的微生物樣品并進(jìn)行同步培養(yǎng)實(shí)驗(yàn)，記錄微生物的培養(yǎng)時(shí)間，根據(jù)圖2生長(zhǎng)曲線顯示：培養(yǎng)2 h為滯后期，該時(shí)期細(xì)胞分裂遲緩，繁殖極少；3~5 h為對(duì)數(shù)期，微生物在該時(shí)期生長(zhǎng)迅速，呈現(xiàn)指數(shù)生長(zhǎng)趨勢(shì)；培養(yǎng)至8~14 h進(jìn)入穩(wěn)定期。本研究對(duì)高濃度培養(yǎng)液未做稀釋也未建立相關(guān)稀釋倍數(shù)間的回歸方程，仍然可以得到大部分菌株的生長(zhǎng)曲線。盡管有些菌株生長(zhǎng)曲線沒(méi)有明顯衰亡期，但這并不影響生長(zhǎng)曲線的走向以及對(duì)菌株對(duì)數(shù)期和穩(wěn)定期的判斷。隨著培養(yǎng)時(shí)間延長(zhǎng)，未發(fā)現(xiàn)明顯的凋亡期界限，這并不影響生長(zhǎng)曲線的趨勢(shì)以及對(duì)單細(xì)胞生長(zhǎng)時(shí)期的識(shí)別，這里僅涉及細(xì)胞前3個(gè)生長(zhǎng)時(shí)期檢測(cè)。分兩批次采集900 個(gè)枯草芽孢桿菌SCRS 數(shù)據(jù)，第一批次600 個(gè)（200 個(gè)/時(shí)期×3 時(shí)期）作為實(shí)驗(yàn)組用于訓(xùn)練和測(cè)試，另一批次300個(gè)（100個(gè)/時(shí)期×3時(shí)期）作為驗(yàn)證組用于模型驗(yàn)證，檢驗(yàn)?zāi)Ｐ头夯芰Α?/p>

1.2 數(shù)據(jù)預(yù)處理

SCRS數(shù)據(jù)預(yù)處理是準(zhǔn)確鑒定細(xì)胞生長(zhǎng)時(shí)期的前提，通過(guò)拉曼光譜儀采集的SCRS數(shù)據(jù)包含大量的干擾信息，如光譜儀噪聲、熒光背景等，干擾信息使得檢測(cè)模型的識(shí)別性能降低，此外，SCRS數(shù)據(jù)包含1 340 個(gè)光譜信號(hào)像素點(diǎn)，信息較多，為了提高模型檢測(cè)穩(wěn)定性，在分析數(shù)據(jù)之前，需要對(duì)SCRS 數(shù)據(jù)進(jìn)行預(yù)處理。本文應(yīng)用Hooke intP 拉曼分析軟件（V2.0，Hooke P300 配套軟件）對(duì)SCRS數(shù)據(jù)預(yù)處理，包括：應(yīng)用Savitzky-Golay 算法對(duì)SCRS數(shù)據(jù)進(jìn)行平滑濾波，窗口寬度為7個(gè)像素點(diǎn)，采用3階多項(xiàng)式擬合；應(yīng)用AirPLS算法去除SCRS數(shù)據(jù)背景信號(hào)，Lambda=15，最大迭代次數(shù)ItermaxAirPls=12；應(yīng) 用Min-Max 對(duì)SCRS 數(shù) 據(jù) 歸一化處理。

1.3 模型建立與優(yōu)化

1.3.1 特征提取方法

主成分分析（principal component analysis，PCA）是一種無(wú)監(jiān)督降維方法，利用正交變換把線性相關(guān)的高維SCRS變量轉(zhuǎn)換為少數(shù)線性無(wú)關(guān)的特征變量，該線性無(wú)關(guān)光譜特征也稱為主成分。PCA可以將高維SCRS數(shù)據(jù)轉(zhuǎn)換為少數(shù)幾個(gè)主成分光譜來(lái)表征全譜信息，降維后的SCRS特征作為檢測(cè)模型輸入特征在降低計(jì)算復(fù)雜度、提升數(shù)據(jù)處理速度時(shí)，應(yīng)盡量減少光譜信息量的損失。

1.3.2 XGBoost模型與優(yōu)化

XGBoost模型繼承了集成學(xué)習(xí)、樹(shù)形結(jié)構(gòu)的高可靠性和特征識(shí)別能力，能精準(zhǔn)識(shí)別SCRS所蘊(yùn)含的細(xì)胞指紋信息，實(shí)現(xiàn)復(fù)雜環(huán)境下單細(xì)胞生長(zhǎng)時(shí)期精準(zhǔn)檢測(cè)。本文將特征提取的SCRS光譜特征輸入XGBoost檢測(cè)模型，并通過(guò)不斷迭代學(xué)習(xí)SCRS 預(yù)測(cè)值與真實(shí)值的殘差，確定新的決策樹(shù)，將樹(shù)的累加結(jié)果逐步逼近真實(shí)值進(jìn)而完成訓(xùn)練，然后以細(xì)胞生長(zhǎng)時(shí)期（滯后期、對(duì)數(shù)期和穩(wěn)定期）預(yù)測(cè)概率作為判別依據(jù)，應(yīng)用XGBoost 對(duì)單細(xì)胞生長(zhǎng)時(shí)期檢測(cè)，在損失函數(shù)中增加L2 正則化項(xiàng)防止模型過(guò)擬合。

使用網(wǎng)格搜索和交叉驗(yàn)證（GridSearchCV）對(duì)XGBoost 檢測(cè)模型進(jìn)行參數(shù)調(diào)優(yōu)，通過(guò)網(wǎng)格搜索（GridSearch）遍歷XGBoost 模型主要超參數(shù)組合，基于先驗(yàn)知識(shí)通常設(shè)置XGBoost 基分類器模型（booster） 為 樹(shù) 形 結(jié) 構(gòu)（gbtree） 或 線 性 結(jié) 構(gòu)（gbliner）；設(shè)置分類器個(gè)數(shù)（n_estimatores）的典型值為80 100 和120；設(shè)置樹(shù)深度（max_depth）典型值一般為5、6 和7。并應(yīng)用3 折交叉驗(yàn)證（CV）方法優(yōu)化模型訓(xùn)練性能，降低抽樣隨機(jī)性所帶來(lái)的預(yù)測(cè)誤差，提高模型的泛化能力。

1.4 模型評(píng)估

1.4.1 基于CP-SP的特征評(píng)估

傳統(tǒng)PCA 特征選擇往往借助特征累計(jì)貢獻(xiàn)率來(lái)選擇光譜特征，但貢獻(xiàn)率大的特征作用于分類器性能并不一定大，本文借鑒聚合度和耦合度評(píng)估方法，直接從最優(yōu)分類性能角度出發(fā)，通過(guò)計(jì)算PCA降維后SCRS散點(diǎn)分布的簇內(nèi)聚合度和簇間耦合度，提出基于CP-SP的特征評(píng)估方法，用來(lái)篩選出具有高內(nèi)聚、低耦合的SCRS特征組合，以下為CP-SP核心實(shí)現(xiàn)算法：

針對(duì)某生長(zhǎng)時(shí)期SCRS數(shù)據(jù)集Ωi，用1-范數(shù)用來(lái)計(jì)算簇內(nèi)SCRS樣本與簇中心點(diǎn)的距離之和，然后計(jì)算3個(gè)（k= 3，表示3個(gè)生長(zhǎng)時(shí)期）簇緊密性平均值表征細(xì)胞生長(zhǎng)時(shí)期特征關(guān)系矩陣的聚合度，值越高意味著相同生長(zhǎng)時(shí)期SCRS 數(shù)據(jù)聚合度越高。

針對(duì)3個(gè)細(xì)胞生長(zhǎng)時(shí)期，用2-范數(shù)來(lái)計(jì)算簇中心之間的平均距離表征細(xì)胞生長(zhǎng)時(shí)期特征關(guān)系矩陣的耦合度，同公式（1）中w表示簇中心，-----SP值越高意味不同生長(zhǎng)時(shí)期SCRS數(shù)據(jù)耦合度越低。

c. 聚合度和耦合度是對(duì)SCRS散點(diǎn)分布獨(dú)立性度量的兩個(gè)標(biāo)準(zhǔn)，只有同時(shí)保證分布的簇內(nèi)高內(nèi)聚和簇間低耦合才能實(shí)現(xiàn)最大分類性能。本文設(shè)置聚合度與耦合度相同的權(quán)重系數(shù)，將二者比值計(jì)為CP-SP 得分（SCP-SP）見(jiàn)公式（4），計(jì)算PCA 降維后SCRS散點(diǎn)分布的簇內(nèi)聚合度越大和簇間耦合度越小，CP-SP得分越高，分類性能越好。

1.4.2 檢測(cè)結(jié)果評(píng)估

隨機(jī)選取實(shí)驗(yàn)組600 個(gè)SCRS 數(shù)據(jù)的20%作為測(cè)試數(shù)據(jù)（每個(gè)生長(zhǎng)時(shí)期40 個(gè)預(yù)測(cè)樣本）用于評(píng)估檢測(cè)細(xì)胞生長(zhǎng)結(jié)果，以某一細(xì)胞生長(zhǎng)時(shí)期（穩(wěn)定期）為例，使用真陽(yáng)（true positive，TP）表示樣本真實(shí)為穩(wěn)定期，預(yù)測(cè)為穩(wěn)定期，真陰（true negative，TN）表示樣本真實(shí)非穩(wěn)定期，預(yù)測(cè)為非穩(wěn)定期，假陽(yáng)（false positive，F(xiàn)P）表示樣本真實(shí)非穩(wěn)定期，預(yù)測(cè)為穩(wěn)定期，假陰（false negative，F(xiàn)N）表示樣本真實(shí)為穩(wěn)定期，預(yù)測(cè)為非穩(wěn)定期?；诖?，本文使用混淆矩陣和ROC 曲線評(píng)估檢測(cè)結(jié)果。

a. 混淆矩陣［19］是機(jī)器學(xué)習(xí)中常用的多分類結(jié)果的可視化工具，應(yīng)用混淆矩陣評(píng)估XGBoost模型檢測(cè)結(jié)果，能直觀地表示每個(gè)生長(zhǎng)時(shí)期預(yù)測(cè)準(zhǔn)確率，其橫坐標(biāo)為生長(zhǎng)時(shí)期真實(shí)標(biāo)簽，縱坐標(biāo)為生長(zhǎng)時(shí)期預(yù)測(cè)標(biāo)簽。混淆矩陣單元格數(shù)值表示測(cè)試樣本在3個(gè)生長(zhǎng)時(shí)期的預(yù)測(cè)占比，對(duì)角線的值表示檢測(cè)模型對(duì)該生長(zhǎng)時(shí)期預(yù)測(cè)準(zhǔn)確率（precision，P）。

b. ROC曲線［20］用來(lái)評(píng)估XGBoost模型敏感性和特異性，在二維坐標(biāo)軸中，橫坐標(biāo)為假陽(yáng)性率（false postive rate，F(xiàn)PR），表示特異度，縱坐標(biāo)為真陽(yáng)性率（true postive rate，TPR），表示靈敏度。AUC（area under the curve of ROC）值表示ROC曲線下方的面積，是XGBoost模型敏感性和特異性的量化表示方法。

2 結(jié)果和討論

2.1 SCRS數(shù)據(jù)處理和分析結(jié)果

應(yīng)用Hooke intP 軟件對(duì)兩批次同步培養(yǎng)的枯草芽孢桿菌SCRS 數(shù)據(jù)進(jìn)行預(yù)處理，用堆疊圖（stacked lines by Y offsets）顯示實(shí)驗(yàn)組滯后期、對(duì)數(shù)期和穩(wěn)定期3個(gè)生長(zhǎng)時(shí)期SCRS數(shù)據(jù)預(yù)處理效果，如圖3所示，分別以實(shí)線和陰影部分表示各生長(zhǎng)時(shí)期200 個(gè)SCRS 數(shù)據(jù)平均值和方差，由于微生物生長(zhǎng)過(guò)程中的異質(zhì)性較為穩(wěn)定，表現(xiàn)出3個(gè)生長(zhǎng)時(shí)期光譜具有較低的方差。

對(duì)枯草芽孢桿菌3 個(gè)生長(zhǎng)時(shí)期SCRS 數(shù)據(jù)做探索性數(shù)據(jù)分析（EDA），分別用密度直方圖（圖4a）和帶抖動(dòng)點(diǎn)的箱線圖（圖4b）來(lái)觀測(cè)3組數(shù)據(jù)信噪比（SNR）分布情況，其中滯后期光譜信噪比均值和方差為（6.8±2.6），對(duì)數(shù)期光譜為（6.6±2.6），穩(wěn)定期光譜為（6.7±2.7），3 個(gè)生長(zhǎng)時(shí)期SCRS數(shù)據(jù)特征呈現(xiàn)較為穩(wěn)定的均勻分布，保證了預(yù)期檢測(cè)結(jié)果不受光譜SNR影響。

2.2 基于CP-SP的特征評(píng)估結(jié)果

為了可視化顯示效果，在預(yù)處理后的SCRS數(shù)據(jù)集中，每個(gè)細(xì)胞生長(zhǎng)時(shí)期隨機(jī)選擇50 個(gè)光譜數(shù)據(jù)進(jìn)行主成分分析，應(yīng)用Python 可視化庫(kù)Seaborn中Pairplot 函數(shù)繪制光譜前10 個(gè)PCA 特征關(guān)系矩陣，圖5 顯示前4 個(gè)SCRS 特征關(guān)系效果，其中主成分PCm、PCn的特征關(guān)系分布對(duì)應(yīng)于圖中［m，n］坐標(biāo)，對(duì)角線（m=n）表示3 個(gè)生長(zhǎng)時(shí)期在PC1、PC2、PC3、PC4 四個(gè)PCA 特征上的分布，非對(duì)角線（m≠n）用核函數(shù)密度估計(jì)圖（Kdeplot）表示兩個(gè)不同特征之間的相關(guān)圖。觀察SCRS數(shù)據(jù)特征分布情況，發(fā)現(xiàn)SCRS的PC1特征不論是從對(duì)角線上的分布圖還是與其他特征構(gòu)成的散點(diǎn)圖，都能按生長(zhǎng)時(shí)期標(biāo)簽表現(xiàn)出明顯的區(qū)分，同時(shí)，PC1 與PC2、PC1與PC3、PC1與PC4表現(xiàn)出3個(gè)清晰可分離的、簇密度圖。

如何量化評(píng)估圖5 SCRS 數(shù)據(jù)的聚合度和耦合度，本文提出基于CP-SP 的特征評(píng)估方法來(lái)量化SCRS 數(shù)據(jù)的1 340 維特征的簇內(nèi)聚合度和簇間耦合度，圖6 是根據(jù)公式（4）計(jì)算的CP-SP 得分和特征貢獻(xiàn)率組成的PCA前10個(gè)光譜特征評(píng)估結(jié)果，其中左下角為PCA 特征貢獻(xiàn)率，右上角熱圖對(duì)應(yīng)顯示PCA 特征關(guān)系矩陣中m

2.3 模型訓(xùn)練與測(cè)試結(jié)果

選擇SCRS 數(shù)據(jù)的PC1、PC2、PC4 作為檢測(cè)模型輸入特征，通過(guò)網(wǎng)格搜索和3折交叉驗(yàn)證優(yōu)選主要超參數(shù)。基分類器模型：gbtree；基分類器個(gè)數(shù)：120；樹(shù)深度：6。圖7 顯示隨著CART 樹(shù)個(gè)數(shù)（Num_round）增加，使用GridSearchCV 優(yōu)化后的超參數(shù)訓(xùn)練和測(cè)試收斂于第10 棵CART 樹(shù)，對(duì)比默認(rèn)超參數(shù)需要在第40 棵CART 樹(shù)加入后收斂，優(yōu)選后的模型收斂精度（Log_loss）和收斂速度都有明顯提升。

圖8a 為實(shí)驗(yàn)組20%測(cè)試數(shù)據(jù)生長(zhǎng)時(shí)期識(shí)別結(jié)果的混淆矩陣，3 個(gè)生長(zhǎng)時(shí)期平均測(cè)試準(zhǔn)確率為96.0%，僅用PC1、PC2、PC4三個(gè)光譜特征較應(yīng)用全譜的隨機(jī)森林檢測(cè)準(zhǔn)確率提高5.3%［15］。進(jìn)一步應(yīng)用ROC 曲線來(lái)評(píng)估模型敏感性和特異性（圖8b），從標(biāo)簽維度和樣本維度的ROC快速逼近左上角，計(jì)算的AUC值所表示的靈敏度和特異度之和接近1，模型有效且性能良好。

2.4 模型驗(yàn)證結(jié)果

為驗(yàn)證檢測(cè)模型對(duì)另一批次枯草芽孢桿菌細(xì)胞生長(zhǎng)檢測(cè)的泛化能力，通過(guò)調(diào)用XGBoost 訓(xùn)練模型檢測(cè)驗(yàn)證組300 個(gè)SCRS 數(shù)據(jù)生長(zhǎng)時(shí)期，首先使用1.2 中數(shù)據(jù)預(yù)處理方法對(duì)驗(yàn)證組SCRS 數(shù)據(jù)預(yù)處理。其次使用實(shí)驗(yàn)數(shù)據(jù)同樣的PCA特征轉(zhuǎn)換方法，選取驗(yàn)證組SCRS 數(shù)據(jù)的PC1、PC2 和PC4 光譜特征。最后統(tǒng)計(jì)訓(xùn)練模型（XGBoostModel.pkl）對(duì)驗(yàn)證組細(xì)胞生長(zhǎng)檢測(cè)準(zhǔn)確率為92.3%，模型具有良好的泛化能力。

3 結(jié) 論

針對(duì)微生物生長(zhǎng)應(yīng)用于食品安全期和最佳食用期的精準(zhǔn)檢測(cè)問(wèn)題，本文提出了基于拉曼技術(shù)的單細(xì)胞生長(zhǎng)檢測(cè)方法，主要包括：基于光譜PCA 特征關(guān)系矩陣提出CP-SP特征評(píng)估方法，篩選出具有高內(nèi)聚、低耦合的SCRS特征組合，輸入XGBoost檢測(cè)模型，并使用網(wǎng)格搜索和交叉驗(yàn)證優(yōu)化檢測(cè)模型，對(duì)同步培養(yǎng)的兩批次微生物源保鮮劑滯后期、對(duì)數(shù)期和穩(wěn)定期檢測(cè)識(shí)別。實(shí)驗(yàn)表明，基于拉曼技術(shù)的單細(xì)胞生長(zhǎng)檢測(cè)方法以96.0%的細(xì)胞生長(zhǎng)測(cè)試準(zhǔn)確率，并以92.3%的細(xì)胞生長(zhǎng)檢測(cè)泛化能力，可以從單細(xì)胞水平上檢測(cè)微生物生長(zhǎng)，對(duì)保持食品良好的感官品質(zhì)、延長(zhǎng)食品貨架期有重要作用。

本文提出的特征優(yōu)選與檢測(cè)模型方法具有突出的特征識(shí)別能力，有利于細(xì)胞生長(zhǎng)標(biāo)志物的發(fā)現(xiàn)和抑菌機(jī)理的研究，為食品安全和保鮮提供技術(shù)支撐。