복잡한 혼합물 속 분석물 농도 정량화, 라만 분광법과 베이지안 알고리즘의 만남

초록

본 연구는 라만 분광법을 이용해 복잡한 혼합물 내 특정 분석물의 농도나 양을 정량화하는 새로운 두 단계 베이지안 알고리즘을 제안한다. 첫 단계에서 순수 분석물 스펙트럼의 피크 정보를 학습하고, 두 번째 단계에서 이 정보를 활용해 혼합물 내 분석물 농도를 추정한다. 수치 실험을 통해 기존 다변량 회귀 알고리즘 대비, 특히 적은 훈련 데이터 상황에서 우수한 성능을 입증했으며, 바이오의약품 공정 모니터링에서 포도당 농도 추정에 성공적으로 적용되었다.

상세 분석

이 논문이 제안하는 알고리즘의 핵심 기술적 혁신은 계층적 베이지안 모델링과 가역점 마르코프 체인 몬테카를로(RJMCMC) 계산을 결합하여 라만 스펙트럼의 피크와 베이스라인을 동시에 추정하고, 최적의 모델(피크 개수)을 선택하는 데 있다. 기존 화학계량학에서 널리 쓰이는 PLSR 등의 방법은 대량의 고품질 혼합물 훈련 데이터에 의존하는 반면, 본 방법은 순수 분석물의 기준 스펙트럼 하나만을 사전 지식으로 요구한다. 이는 훈련 데이터 수집이 어렵거나 비용이 많이 드는 응용 분야(예: 바이오의약품 공정)에서 결정적인 장점이 된다.

모델은 스펙트럼 신호를 피크 신호(의사-보이그트 함수로 모델링), 베이스라인 신호(B-스플라인으로 모델링), 가우시안 잡음의 합으로 정의한다. RJMCMC 샘플러는 피크의 개수(k_P), 위치(l), 폭(w), 모양 가중치(ρ), 진폭(β), 베이스라인 계수, 잡음 분산(σ²) 등을 포함한 모든 모수와 모델 차원을 사후 분포로부터 동시에 추정한다. 이를 통해 별도의 베이스라인 보정 단계가 필요 없어 편향 가능성을 줄이고, 피크 중첩이 심한 복잡한 스펙트럼에서도 강건한 분석이 가능하다.

실험 결과에서 주목할 점은 시뮬레이션을 통해 넓은 범위의 조건(신호대잡음비, 피크 중첩 정도 등)에서 정량화 성능을 검증했다는 것이다. 특히 훈련 샘플 수가 적은 체제에서 PLSR, PCR 등 기존 방법을 능가하는 성능을 보였으며, 이는 알고리즘이 사전 지식(순수 스펙트럼)을 효율적으로 활용하고 불확실성을 정량화하는 베이지안 접근법의 강점을 잘 보여준다. 실제 CHO 세포 바이오리액터 모니터링 데이터에 대한 적용은 방법의 실용성을 입증한다.