Bài báo khoa học Tập 67 Số CĐ14-HNKH Hội Hóa sinh Y học Việt Nam 19/09/2026

XÂY DỰNG VÀ ỨNG DỤNG HỆ THỐNG PHÂN TÍCH TỰ ĐỘNG DỰA TRÊN PHỔ RAMAN VÀ HỌC MÁY NHẰM KIỂM SOÁT CHẤT LƯỢNG DUNG DỊCH BẢO QUẢN MẪU SINH HỌC

Châu Văn Kết, Đỗ Tuấn Kiệt, Trinh Minh Việt
DOI: 10.52163/yhc.v67iCD14.6491
0 Lượt xem
0 Lượt tải xuống
Tóm tắt

Mục tiêu: Xây dựng mô hình học máy kết hợp phổ Raman để định lượng nhanh kali acetat trong dung dịch bảo quản.

Phương pháp: Nghiên cứu được thực hiện trên hệ thống Raman LabRam Soleil (532 nm) với 240 phổ Raman của các mẫu kali acetat/glycerin. Dữ liệu được chia thành tập huấn luyện, xác nhận và kiểm tra; áp dụng kiểm định chéo 5 lần và tối ưu siêu tham số bằng Grid Search. Bốn mô hình (MLR, PCR, PLS và ANN) được xây dựng, đánh giá bằng R², RMSE và MAPE, đồng thời so sánh với phương pháp chuẩn độ điện thế trên 10 mẫu thực tế.

Kết quả: Mô hình PLS với 6 thành phần chính cho kết quả tối ưu (R² = 0,9991; RMSE = 0,52%; MAPE = 1,24%), thời gian huấn luyện 2,5 giây và khả năng giải thích cao. Hệ thống tự động hóa giúp giảm 85% thời gian phân tích và xử lý 96 mẫu/ngày. Kết quả tương quan chặt chẽ với phương pháp chuẩn độ điện thế (r = 0,985; p < 0,001) và cho thấy độ đặc hiệu cao đối với kali acetat.

Kết luận: Hệ thống Raman-PLS là công cụ phân tích nhanh, chính xác và tin cậy, có tiềm năng ứng dụng trong kiểm soát chất lượng dung dịch bảo quản mẫu sinh học.

Từ khóa
Quang phổ Raman, học máy, PLS, kali acetat, dung dịch bảo quản.
Tài liệu tham khảo
[1]
1. Smith E, Dent G. Modern Raman Spectroscopy: A Practical Approach. 2nd ed. Hoboken, NJ: Wiley; 2019. Google Scholar
[2]
2. McCreery RL. Raman Spectroscopy for Chemical Analysis. New York: John Wiley & Sons; 2000. Google Scholar
[3]
3. Lussier F, Thibault V, Charron B, et al. Deep learning for biomedical Raman spectroscopy: a review. Analyst. 2024;149(8):2145-2167. doi:10.1039/D3AN01113B. Google Scholar
[4]
4. Liao S, Huang J, Liu C, et al. Machine Learning-Assisted Quantification of Biomarkers Using Surface-Enhanced Raman Spectroscopy. Anal Chem. 2025;97(1):100-108. doi:10.1021/acs.analchem.4c02456. Google Scholar
[5]
5. Xu Y, Li L, Shen A, et al. Intelligent baseline correction for Raman spectroscopy via deep learning-based parameter optimization. Talanta. 2026;260:124890. doi:10.1016/j.talanta.2026.124890. Google Scholar
[6]
6. Zhang ZM, Chen S, Liang YZ. Baseline correction using adaptive iteratively reweighted penalized least squares. Analyst. 2010;135(5):1138-1146. doi:10.1039/b922045c. Google Scholar
[7]
7. Silva CS, Pimentel MF. Review of model transfer strategies in near-infrared and Raman spectroscopy. Microchem J. 2024;199:109980. doi:10.1016/j.microc.2024.109980. Google Scholar
[8]
8. Lê Minh T, Phạm Văn H. Phương pháp phân tích và kiểm nghiệm dược phẩm. Hà Nội: Nhà xuất bản Y học; 2021. Google Scholar
[9]
9. Valderrey V, Perez M, Rodriguez L. Application of Raman Spectroscopy Coupled With Chemometrics for the Detection and Quantification of Pesticide Residues. ChemistryEurope. 2025;3(2):e202400120. doi:10.1002/chem.202400120. Google Scholar
[10]
10. International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use (ICH). Validation of Analytical Procedures: Text and Methodology Q2(R2). Geneva: ICH; 2024. Google Scholar