Psixoaktiv moddalarni suiiste’mol qilish ham jamoat salomatligi, ham sud fanlari nuqtayi nazaridan tobora muhimlashib borayotgan muammodir. Ayniqsa bir nechta dori yoki o‘xshash kimyoviy tuzilishga ega moddalar bir xil biologik muhitda mavjud bo‘lishi mumkin bo‘lgan holatlarda, tahlil faqat “modda bormi?” degan savol bilan cheklanmaydi. Qaysi modda topilgani, qaysi konsentratsiya oralig‘ida ekani va signal haqiqatan ham o‘sha molekulaga tegishlimi-yo‘qmi ham ishonchli aniqlanishi kerak.

Siydik modda skriningida tez-tez ishlatiladigan biologik namunalardan biridir. Buning sababi namuna olishning nisbatan oson va noinvaziv bo‘lishidir. Ammo siydik tahlili kimyoviy jihatdan oddiy emas. Oqsillar, urea, tuzlar, metabolitlar va boshqa endogen komponentlar maqsad modda signalining ustini bosib ketishi mumkin. Bundan tashqari, tadqiqotda ta’kidlanganidek, maqsadli analitlar ng/mL darajasida bo‘lishi mumkin. Ya’ni tahlil qilinayotgan modda miqdori juda past bo‘ladi va kuchli signal kuchaytirish yoki oldindan boyitish strategiyasini talab qiladi.

An’anaviy usullar orasida GC-MS va LC-MS/MS kabi xromatografiya-mass-spektrometriya texnikalari kuchli va ishonchli deb qabul qilinadi. Ammo bu tizimlar qimmat uskuna, malakali mutaxassislar, murakkab tayyorlash bosqichlari va laboratoriya infratuzilmasini talab qiladi. Immunokromatografik testlar tez bo‘lishi mumkin; biroq kesishma reaksiya, noto‘g‘ri musbatlik va ko‘p moddani ajratishdagi cheklovlar kabi muammolarga ega. Shu sababli tadqiqotchilar yanada tez, arzon va molekulyar barmoq izi bera oladigan spektroskopik yondashuvlarga murojaat qilmoqda.

Raman spektroskopiyasi molekulalarning tebranish modlariga asoslangan holda “kimyoviy barmoq izi” hosil qiluvchi texnikadir. Har bir molekula bog‘ tuzilishi va tebranish xususiyatlariga ko‘ra muayyan to‘lqin sonlarida signal beradi. Ammo oddiy Raman signali ko‘pincha zaif bo‘ladi. SERS usuli shu yerda ishga tushadi. Kumush yoki oltin kabi asil metall nanotuzilmalar molekulaga yaqin hududda elektromagnit maydonni kuchaytirib, Raman signalini bir necha daraja oshirishi mumkin. Natijada odatda juda zaif bo‘ladigan iz darajadagi molekulyar signallar o‘lchash uchun yetarli bo‘ladi.

Ushbu tadqiqotda SERS dan oldin DLLME qo‘llangan. DLLME maqsadi siydik ichidagi maqsad moddalarni kichik organik fazaga ko‘chirish va signal o‘lchash uchun ularni zichlashtirishdir. Kundalik bir o‘xshatish bilan, katta stakan suv ichida juda oz miqdordagi erigan modda bor deb tasavvur qiling. Uni bevosita o‘lchash qiyin bo‘lishi mumkin. Ammo uni kichik tomchi ichiga zichlashtirsangiz, o‘lchov ancha ravshanlashadi. DLLME shu mantiq bilan ishlaydi: murakkab namuna ichida past darajadagi maqsad molekulalarini kichik hajmli erituvchida boyitadi.

Tadqiqotda namuna tayyorlash bir necha bosqichdan iborat bo‘lgan. Avval yapay siydik namunalariga maqsad dori moddalar qo‘shilgan. Siydikni tozalash uchun 2.0 mL spiked artificial urine, ya’ni modda qo‘shilgan sun’iy siydik namunasi olingan, ustiga 100 mg PSA qo‘shilgan, aralashma vortekslangan va sentrifugalanadi. So‘ng ustki fazadan 1.0 mL olinib, ekstraksiya bosqichiga o‘tilgan.

DLLME bosqichida namunaning pH qiymati 9.5 ga sozlangan. So‘ng 100 μL diklorometan ekstraksiya erituvchisi va 300 μL aseton dispersiv erituvchisi tezda qo‘shilgan. Aralashma vorteks orqali loyqalangan emulsiya hosil qilgan, sentrifugadan keyin past organik faza mikrosiringa bilan yig‘ilgan. Bu bosqich maqsad molekulalarni tahlil uchun qulayroq fazada zichlashtiradi.

SERS signalini kuchaytirish uchun kumush nanopartikllar ishlatilgan. AgNPs deb qisqartirilgan bu zarralar Lee-Meisel sitrat qaytarish usuli bilan tayyorlangan. Tadqiqotda kumush nitrat eritmasi qaynatilgan, trisodium sitrat eritmasi qo‘shilgan va eritmaning sariq-yashil rangga o‘tishi bilan nanopartikllar hosil bo‘lishi kuzatilgan. SEM tavsifiga ko‘ra zarralar taxminan 60 nm o‘rtacha diametrga ega yarim sharsimon morfologiya ko‘rsatgan.

Spektral o‘lchovda laboratoriyada yig‘ilgan ko‘chma Raman aniqlash tizimi qo‘llangan. Tizim 633 nm lazer bilan ishlagan. Organik fazadan 50 μL olingan, teng hajmda zichlashtirilgan kumush nanopartikllar eritmasi bilan aralashtirilgan, so‘ng 10 μL aralashma alyuminiy folga bilan qoplangan toza shisha slayd ustiga tomizilgan. Har bir namuna uchun tomchi yuzasining turli nuqtalaridan beshta spektr olingan va ularning o‘rtachasi o‘sha namunaning vakillik spektri sifatida ishlatilgan.

Ma’lumotlar to‘plami juda tartibli shaklda tuzilgan. Har bir maqsad dori uchun 15 ta konsentratsiya darajasida 20 ta mustaqil tayyorlangan namuna o‘lchangan. Bu 4 ta dori × 15 ta konsentratsiya × 20 ta namuna hisobiga 1200 ta musbat spektr degani. Bundan tashqari, ayni jarayondan o‘tkazilgan bo‘sh sun’iy siydikdan 1200 ta manfiy spektr olingan. Shunday qilib jami 2400 ta spektr hosil qilingan. Spektral diapazon 159–1996 cm⁻¹ deb berilgan.

Xom Raman/SERS spektrlari bevosita modelga berilmagan. Avval Savitzky-Golay smoothing bilan shovqin kamaytirilgan, airPLS baseline correction bilan asosiy chiziq tuzatilgan va Min-Max normalization bilan signallar 0–1 oralig‘iga o‘lchangan. Bunday oldindan ishlov berish bosqichlari spektroskopiyada juda muhim; chunki model haqiqiy kimyoviy farqlar o‘rniga qurilma shovqini, asosiy chiziq siljishi yoki intensivlik shkalasi farqlarini o‘rganib qolmasligi kerak.

Shundan so‘ng ma’lumotlar to‘plami 7:3 nisbatda o‘quv va mustaqil test to‘plamiga ajratilgan. 1680 ta spektr o‘quv to‘plamiga, 720 ta spektr mustaqil test to‘plamiga joylashtirilgan. Ayniqsa muhim jihat — PCA va StandardScaler parametrlarining faqat o‘quv to‘plamida o‘rganilib, test to‘plami ayni o‘zgartirish bilan proyeksiya qilingani. Bu yondashuv ma’lumot sizib chiqishini oldini olish uchun zarur. Agar test to‘plamidan kelgan ma’lumot oldindan ishlov berish bosqichida modelga singib ketsa, test natijasi haqiqatdagidan yuqori ko‘rinishi mumkin.

Belgilarni ajratib olish uchun PCA, ya’ni principal component analysis ishlatilgan. PCA yuqori o‘lchovli spektral ma’lumotni kamroq sonli komponentlarga qisqartiradi. Spektrda yuzlab yoki minglab to‘lqin soni nuqtalari bo‘lishi mumkin; ammo ularning hammasi tasniflash uchun bir xil darajada axborot bermaydi. PCA ma’lumotdagi eng katta o‘zgaruvchanlik manbalarini yangi o‘qlar sifatida ajratib, modelga boshqariladiganroq belgilar maydoni beradi.

Tadqiqotda PCA komponentlari soni LightGBM probe model yordamida baholangan. 3a-rasmda ko‘rsatilgandek, aniqlik n = 8 atrofida plato hosil qilgan va n = 10 dan keyin sezilarli yaxshilanish ko‘rsatmagan. Shu sababli ilk 10 asosiy komponent saqlab qolingan. Bu model xom spektr o‘rniga 10 o‘lchovli PCA belgilari maydonida ishlaganini anglatadi.

3b va 3c-rasmlar sinflar orasidagi ajralishni PCA uch o‘lchovli sochilish grafigi va t-SNE joylashtirish usuli bilan vizualizatsiya qiladi. Dastlabki uch asosiy komponentga qaralganda sinflar orasida ayrim guruhlanish tendensiyalari bor, biroq chegaralar to‘liq aniq emas. Ayniqsa noscapine, etomidate va manfiy nazorat o‘rtasida ustma-ust tushish kuzatilishi mumkin. t-SNE tasviri etomidate va tramadol hydrochloride uchun nisbatan ixcham klasterlar ko‘rsatadi, manfiy nazorat esa ayrim sinf chegaralariga tarqalgandek ko‘rinadi. Bu oddiy chiziqli ajratish yetarli emasligini va klassifikatorlar yanada nozik farqlovchi ma’lumot chiqarishi kerakligini ko‘rsatadi.

Tadqiqotning mashina o‘rganishi qismida oltita asosiy klassifikator baholangan: Random Forest, Support Vector Machine, LightGBM, XGBoost, K-Nearest Neighbors va Logistic Regression. Bu modellar turli algoritmik oilalarni ifodalaydi. Logistic Regression chiziqliroq va statistik yondashuv bo‘lsa, XGBoost va LightGBM gradient kuchaytirish daraxtlariga asoslangan. SVM qaror chegarasini topishga qaratilgan, KNN qo‘shnichilik munosabatiga tayanadi, Random Forest esa ko‘plab qaror daraxtlarining o‘rtachasidan foydalanadi.

Bu oltita model 5 qavatli cross-validation va grid search bilan optimallashtirilgan. Natijalarga ko‘ra, barcha asosiy modellar %97.3 dan yuqori CV5_Acc ga erishgan. Logistic Regression eng yaxshi asosiy model sifatida %99.29 ± 0.24 CV5_Acc ko‘rsatgan. SVM va XGBoost undan keyin kelgan. Ammo yakka modellar allaqachon yuqori natija bergani uchun, yanada yaxshi natija olish maqsadida ensemble yondashuvi kerak deb topilgan.

Tadqiqotning o‘ziga xos tomoni shu yerda namoyon bo‘ladi. Ensemble learning bir nechta modelni birlashtirib kuchliroq qaror olishni maqsad qiladi. Ammo har bir model kombinatsiyasi foydali emas. Agar ikki model bir xil holatlarda xato qilsa, ularni birlashtirish katta foyda bermaydi. Aksincha, ikki model turli holatlarda xato qilsa, biri ikkinchisining xatosini to‘g‘rilashi mumkin. Tadqiqot bu g‘oyani Jaccard error overlap index orqali sonli qiladi.

Tadqiqotda Jaccard xato ustma-ustlik indeksi quyidagi mantiq bilan ta’riflangan:

\[ J(M_i,M_j)=\frac{|E_i \cap E_j|}{|E_i \cup E_j|} \]

Bu formulada M_i va M_j ikki turli asosiy klassifikatorni ifodalaydi. E_i i modelining noto‘g‘ri tasniflagan namunalari to‘plami. E_j j modelining noto‘g‘ri tasniflagan namunalari to‘plami. E_i ∩ E_j — ikki model birgalikda xato qilgan namunalar; E_i ∪ E_j — kamida bir model xato qilgan umumiy namunalar to‘plami. J qiymati 0 va 1 orasida o‘zgaradi. Qiymat past bo‘lsa, ikki modelning xato naqshi bir-biridan farqli; bu ensemble ichida bir-birini to‘ldirish salohiyati yuqoriroq bo‘lishini ko‘rsatadi.

Kundalik bir misol bilan tushuntirsak, ikki nazoratchi bor deb tasavvur qiling. Agar ikkalasi ham doim bir xil xatolarni o‘tkazib yuborsa, ularni birga ishlatish katta foyda bermaydi. Ammo biri A turdagi xatolarni, ikkinchisi B turdagi xatolarni yaxshiroq ushlasa, ular birga yanada ishonchli natija beradi. Jaccard xato ustma-ustlik indeksi modellarning “bir xil xatolarnimi qiladi, yo turli xatolarnimi?” degan savolga sonli javob beradi.

Tadqiqotchilar bu indeks asosida select-the-best, pair-the-best deb atalgan ikki bosqichli tanlov mezonini taklif etadi. Birinchi bosqichda CV5_Acc eng yuqori bo‘lgan asosiy model majburiy a’zo sifatida tanlanadi. Bu model Logistic Regression. Ikkinchi bosqichda Logistic Regression bilan boshqa modellar orasidagi Jaccard xato ustma-ustligi hisoblanadi, barcha ikki tomonlama Jaccard qiymatlarining mediani chegara sifatida olinadi. LR bilan ushbu chegaradan past xato ustma-ustlik ko‘rsatgan modellar yaxshi juftlashuvchi nomzod deb qabul qilinadi.

Natijada taxmin qilingan eng yaxshi kombinatsiya to‘plami quyidagicha bo‘ladi:

\[ S=\{LR+KNN,\ LR+RF,\ LR+LightGBM,\ LR+XGBoost\} \]

Bu yerda S nazariy jihatdan ustun bo‘lishi kutilgan ikki modelli ensemble kombinatsiyalarini bildiradi. Tadqiqotning muhim jihati shundaki, bu to‘plam faqat taxmin bo‘lib qolmagan. Tadqiqotchilar oltita modeldan hosil bo‘ladigan 15 ta ikki modelli kombinatsiyani exhaustive comparison, ya’ni to‘liq taqqoslash orqali sinab ko‘rgan.

To‘liq taqqoslash natijasida CV5_Acc reytingida ilk to‘rtlik aynan LR+XGBoost, LR+LightGBM, LR+RF va LR+KNN bo‘lgan. Bu natija Jaccard xato ustma-ustligiga asoslangan “select-the-best, pair-the-best” mezonining bashorat kuchini qo‘llab-quvvatlaydi. Ayniqsa LR+XGBoost kombinatsiyasi %99.40 ± 0.42 CV5_Acc bilan eng yuqori o‘rinni egallagan. LR+LightGBM %99.35 ± 0.39, LR+RF va LR+KNN esa %99.29 ± 0.24 ga yetgan.

Mustaqil test to‘plamidagi natijalar ham bu ramkani qo‘llab-quvvatlaydi. S to‘plamidagi to‘rtta kombinatsiyaning aniqlik qiymatlari %98.75 dan %99.03 gacha bo‘lgan. LR+XGBoost va LR+LightGBM eng yaxshi umumiy natijani ko‘rsatgan, ikkalasi ham %99.03 Accuracy va %99.03 Macro-F1 ga erishgan. Kontrol kombinatsiyalaridan LightGBM+XGBoost atigi %97.92 aniqlik bergan. Bu bir xil algoritmik oilaga yaqin va xato ustma-ustligi yuqori bo‘lgan modellarni birlashtirish har doim ham yaxshi natija bermasligini ko‘rsatadi.

Tadqiqotdagi sinf bo‘yicha baholash model qaysi moddalarda ko‘proq qiynalishini ham ochib beradi. Manfiy nazorat, noscapine va butorphanol tartrate yuqoriroq recall ko‘rsatgan bo‘lsa, etomidate va tramadol hydrochloride pastroq recall moyilligini ko‘rsatgan. Buning kimyoviy sababi ikkala moddaning benzen halqasi nafas olish tebranishlari taxminan 1000 cm⁻¹ atrofida jiddiy ustma-ust tushishidir. Ya’ni model qiynalayotgan joy tasodifiy xato emas, kimyoviy spektrlari haqiqatan bir-biriga yaqinlashgan hududdir.

Tadqiqotda shovqinga chidamlilik ham alohida sinovdan o‘tkazilgan. Test to‘plamiga 25, 20, 15 va 10 dB SNR darajalarida Gauss oq shovqini qo‘shilgan. O‘rtacha shovqin sharoitida, ayniqsa 15 dB SNR da, S to‘plamidagi to‘rtta kombinatsiya %98.06 dan yuqori aniqlik ko‘rsatgan. 10 dB kabi og‘irroq shovqin sharoitida ham bu kombinatsiyalarning aniqligi %96.53 darajasida qolgan. Bu topilma tanlangan modellar nafaqat toza spektrlarda, balki signal buzilganda ham nisbatan barqaror qolishini ko‘rsatadi.

Biroq bu natijalarni o‘qishda ehtiyot bo‘lish kerak. Shovqinga chidamlilik real klinik namunalardagi barcha murakkablikni ifodalamaydi. Haqiqiy siydik namunalari individlararo metabolik farqlar, dori metabolitlari, turli pH, hamroh moddalar, buyrak funksiyasi, ovqatlanish, kasallik, kontaminatsiya va namuna saqlash sharoitlari kabi ko‘plab o‘zgaruvchilarga ega. Tadqiqot sun’iy siydikda olib borilgani uchun haqiqiy klinik/sud tasdiqlash keyingi bosqich sifatida zarur.

Tadqiqotning yana bir kuchli tomoni — sharhlanuvchanlik zanjiri. Mashina o‘rganishi modellar yuqori aniqlik bersa ham, kimyoviy tahlilda “model nega bunday qaror qildi?” degan savol juda muhim. Agar model qarori haqiqiy molekulyar piklarga emas, balki ma’lumot ishlov berish artefaktlariga yoki tasodifiy shovqinga asoslangan bo‘lsa, yuqori aniqlik ishonchli kimyoviy dalil degani bo‘lmaydi. Shu sababli tadqiqotchilar permutation importance qiymatlarini PCA yuklari orqali asl to‘lqin soni maydoniga qayta proyeksiya qilgan.

Bu sharhlanuvchanlik uchun ishlatilgan munosabat tadqiqotda quyidagicha berilgan:

\[ W_k=\sum_{i=1}^{n} PI_i \times |L_{ik}| \]

Bu formulada W_k k-chi to‘lqin soni nuqtasining umumiy ahamiyat skorini ko‘rsatadi. PI_i i-chi asosiy komponentning permutation importance qiymati. L_ik k-chi to‘lqin sonining i-chi PCA komponentidagi yuk koeffitsienti. n saqlangan asosiy komponentlar soni. Tadqiqotda n=10 deb belgilangan. Formulaning maqsadi modelning PCA maydonida bergan qaror hissasini yana asl Raman to‘lqin sonlari o‘qiga qaytarishdir.

Buni shunday tasavvur qilish mumkin: model xom spektrni bevosita emas, PCA komponentlari orqali o‘rgangan. Ammo kimyoviy talqin xom to‘lqin sonlarida qilinadi. Shu sababli “model uchun qaysi PCA komponent muhim edi?” savolini “bu muhimlik qaysi Raman to‘lqin sonlariga tegishli?” savoliga aylantirish kerak. Back-projection, ya’ni qayta proyeksiya shuni ta’minlaydi.

Sharhlanuvchanlik tahlilida ajralib chiqqan to‘lqin sonlari to‘rt dorining xarakterli SERS piklari bilan katta darajada mos keladi. Noscapine uchun 904 cm⁻¹ va 1635 cm⁻¹, etomidate uchun 952/953 cm⁻¹, 1030/1031 cm⁻¹ va 1726/1722 cm⁻¹, tramadol hydrochloride uchun 715/714 cm⁻¹ va 1000/999 cm⁻¹, butorphanol tartrate uchun 1437/1438 cm⁻¹ va 1515 cm⁻¹ hududlari ajralib turuvchi sifatida ko‘rilgan. Tadqiqotda bu siljishlar 5 cm⁻¹ ichida qolganligi aytiladi.

Bu ilmiy jihatdan muhim. Chunki model faqat statistik klassifikator kabi harakat qilmagan; u qarorlarida haqiqiy kimyoviy tebranish modlariga mos keladigan hududlardan foydalangan. Masalan, noscapine ning lakton halqa C-O-C cho‘zilishi 904 cm⁻¹ atrofida modelning eng muhim piki sifatida topilgan. Butorphanol tartrate uchun 1438 cm⁻¹ hududi aromatik C=C cho‘zilishi bilan bog‘langan. Tramadol va etomidate uchun 1000 cm⁻¹ atrofidagi ustma-ust tushish bu ikki sinf nega ajratilishi qiyinroq ekanining kimyoviy izohini beradi.

Tadqiqotning grafik xulosasi va 1-rasm usulning umumiy oqimini vizual tarzda tushuntiradi. Birinchi qismda siydik namunasi, DLLME orqali ekstraksiya, AgNPs bilan SERS signali olish va spektral o‘lchov ko‘rsatiladi. O‘rta qismda RF, SVM, LightGBM, XGBoost, KNN va LR modellarining tanlanishi, Jaccard xato ustma-ustlik matritsasi va LR markazli kombinatsiyalarni qurish joy oladi. Yakuniy qismda ensemble model bahosi, shovqinga chidamlilik va to‘lqin soni ahamiyati grafiklari beriladi. Bu rasm tadqiqot laboratoriya kimyosi bilan sun’iy intellekt model tanlovini yagona jarayon sifatida qurilganini yaqqol ko‘rsatadi.

2-rasm to‘rt dorining turli konsentratsiyalardagi DLLME-SERS spektrlarini ko‘rsatadi. Spektrlarda konsentratsiya oshgani sayin xarakterli pik intensivliklari oshgani, pik joylari esa barqaror qolganligi aytiladi. Bu usul konsentratsiya o‘zgarishiga sezgir signal ishlab chiqaradi, biroq molekulyar barmoq izi joylarini saqlab qolishini ko‘rsatadi. Shu bilan birga etomidate va tramadol hydrochloride uchun 1000 cm⁻¹ atrofida pik ustma-ustligi borligi sababli ko‘z bilan ajratish qiyinlashishi anglashiladi.

4-rasm model tanlovini nega faqat “eng yuqori aniqlikdagi ikki modelni birlashtirish” mantiqi bilan qilish mumkin emasligini ko‘rsatadi. Asosiy modellar yakka holda yuqori natija beradi; biroq xato ustma-ustlik matritsasi ayrim modellar juda o‘xshash xatolar qilayotganini ochib beradi. Ayniqsa daraxtga asoslangan modellar orasida xato ustma-ustligi yuqori bo‘lgani ularni birlashtirish cheklangan ensemble foydasi berishini ko‘rsatadi. Aksincha LR bilan KNN, RF, LightGBM va XGBoost o‘rtasidagi pastroq Jaccard qiymatlari bir-birini to‘ldirish salohiyatini ko‘rsatadi.

5-rasm mustaqil test to‘plami samaradorligi, sinf bo‘yicha metrikalar, shovqinga chidamlilik va sharhlanadigan to‘lqin soni ahamiyati taqsimotini birga beradi. Bu rasmning eng muhim xabari model faqat yuqori aniqlik bermaganida emas, balki shovqin ostida barqaror qolganida va qarorlarini kimyoviy jihatdan mazmunli to‘lqin soni hududlariga tayanganida.

Tadqiqotning tarixiy ahamiyati SERS-ML adabiyotidagi ikki bo‘shliqni nishonga olishidadir. Birinchisi, ensemble model a’zolari ko‘pincha sonli asoslanishsiz tanlanadi. Ikkinchisi, model qarorlarining qaysi Raman siljishlariga tayanishi kimyoviy jihatdan kuzatilmaydi. Ushbu ish ham model tanlovini xato to‘ldiruvchanligi bilan asoslashga, ham model qarorini kimyoviy piklar bilan bog‘lashga urinadi.

Bugungi dolzarbligi tezkor skrining ehtiyojiga javob berishidadir. Klinik toksikologiya, sud laboratoriyalari va modda suiiste’molini kuzatish sohalarida yuqori sezgir, tez va ko‘chma tizimlarga ehtiyoj bor. DLLME-SERS kabi spektroskopik yondashuvlar massa-spektrometriya kabi yakuniy tasdiqlash kuchini bermasa ham, tezkor dastlabki skrining yoki maydonga yaqin tahlil uchun qimmatli bo‘lishi mumkin.

Kelajak nuqtayi nazaridan tadqiqot sharhlanuvchan kimyoviy sun’iy intellekt modellarining ahamiyatini ko‘rsatadi. Analitik kimyoda AI faqat “to‘g‘ri taxmin qiladigan qora quti” bo‘lishi yetarli emas. Ayniqsa sud va klinik kontekstlarda model nima uchun qaror bergani, qaysi kimyoviy pikka tayanishi va bu qaror haqiqiy molekulyar tebranishlar bilan mos kelishi ochib berilishi kerak. Ushbu tadqiqot PCA yuklari bilan qayta proyeksiya va permutation importance birikmasini shu maqsadda qo‘llaydi.

Tadqiqotning kuchli tomonlari orasida tartibli ma’lumotlar to‘plami qurilishi, mustaqil test to‘plamidan foydalanish, ma’lumot sizib chiqishini oldini olishga qaratilgan o‘quv/test ajratilishi, barcha 15 ikki modelli kombinatsiyaning taqqoslanishi, shovqinga chidamlilik sinovi va kimyoviy sharhlanuvchanlik tahlili bor. Shuningdek model qaror to‘lqin sonlarining xarakterli SERS piklari bilan mos ko‘rsatilishi natijalarni kimyoviy nuqtayi nazardan mazmunliroq talqin qilishga yordam beradi.

Bunga qarshi cheklovlar ham aniq aytilishi kerak. Tadqiqot hakamlikdan o‘tmagan preprintdir. Namunalari haqiqiy klinik siydik emas, sun’iy siydikdir. Faqat to‘rt dori bilan cheklangan. Jaccardga asoslangan tanlov mezoni oltita nomzod klassifikator ustida sinovdan o‘tkazilgan; kattaroq model havzalarida xuddi shunday ishlashi qo‘shimcha o‘rganishni talab qiladi. Shuningdek, haqiqiy sud namunalarida metabolitlar, aralashmalar, turli siydik tarkiblari va ko‘p modda mavjudligi metod samaradorligini o‘zgartirishi mumkin.

Tadqiqotning aytgan xulosasi shuki: DLLME-SERS orqali olingan iz darajadagi spektral ma’lumotlar to‘g‘ri oldindan ishlov, PCA asosidagi belgi ajratish, Jaccard xato to‘ldiruvchanligiga ko‘ra tanlangan ensemble modellar va kimyoviy sharhlanuvchanlik zanjiri bilan yuqori aniqlikda tasniflanishi mumkin. Tadqiqotning aytmagan jihati esa shuki: bu usul bugundan boshlab haqiqiy klinik/sud siydik namunalari uchun aniq tashxis yoki huquqiy dalil sifatida ishlatishga tayyor. Buning uchun haqiqiy namunalar, kengroq dori panellari, aralashma ssenariylari va mustaqil laboratoriya tasdiqlari bilan qo‘shimcha tadqiqotlar zarur.

Tadqiqot usuli va natijalari

Tadqiqot sun’iy siydik matritsasida to‘rt psixoaktiv dorining iz darajadagi tasnifi uchun laboratoriya tahlili va mashina o‘rganishni birlashtirgan eksperimental va hisoblashga asoslangan tadqiqot dizayniga ega.

Maqsad moddalar:

Namuna tayyorlash va SERS o‘lchovi:

• Sun’iy siydik namunalari maqsad moddalar bilan spike qilingan.
• Siydikni tozalash uchun 2.0 mL namunaga 100 mg PSA qo‘shilib, vorteks va sentrifuga o‘tkazilgan.
• DLLME uchun pH 9.5 ga sozlangan, 100 μL diklorometan va 300 μL aseton ishlatilgan.
• Kumush nanopartikllar Lee-Meisel sitrat qaytarish usuli bilan tayyorlangan.
• AgNP larning o‘rtacha diametri taxminan 60 nm bo‘lgan yarim sharsimon tuzilishga ega ekani qayd etilgan.
• SERS o‘lchovlari 633 nm lazerli ko‘chma Raman tizimi bilan amalga oshirilgan.
• Har bir namuna uchun besh xil nuqtadan spektr olinib, o‘rtacha spektr ishlatilgan.

Ma’lumotlar to‘plami:

Oldindan ishlov bosqichlari:

• Savitzky-Golay smoothing: oyna o‘lchami 11, polinom darajasi 3.
• airPLS baseline correction: λ = 10⁵, maksimal iteratsiya 100, yaqinlashish toleransi 10⁻⁶.
• Min-Max normalization: signallar 0–1 oralig‘iga o‘lchangan.
• PCA orqali belgi ajratib olish amalga oshirilgan.
• Dastlabki 10 asosiy komponent modellash uchun saqlangan.
• Ma’lumot sizib chiqishini oldini olish uchun PCA va StandardScaler faqat o‘quv to‘plamida fit qilingan.

Qo‘llangan asosiy klassifikatorlar:

Jaccard xato ustma-ustlik formulasi:

\[ J(M_i,M_j)=\frac{|E_i \cap E_j|}{|E_i \cup E_j|} \]

Bu formulada E_i va E_j ikki turli modelning noto‘g‘ri tasniflagan namunalari to‘plamidir. J qiymati past bo‘lsa, modellarning xato naqshi bir-biridan farq qiladi va ensemble ichida bir-birini to‘ldirish ehtimoli yuqoriroq bo‘ladi.

Model tanlov mezoni:

• Select-the-best: CV5_Acc eng yuqori bo‘lgan asosiy model tanlanadi. Ushbu ishda LR tanlangan.
• Pair-the-best: LR bilan boshqa modellar orasidagi Jaccard xato ustma-ustliklari hisoblanadi.
• Barcha 15 ta ikki modelli Jaccard qiymatlarining mediani chegara sifatida olingan.
• LR bilan ushbu chegaradan past xato ustma-ustlik ko‘rsatgan modellar yaxshi juftlashuvchi nomzod deb qabul qilingan.

Taxmin qilingan eng yaxshi ensemble to‘plami:

\[ S=\{LR+KNN,\ LR+RF,\ LR+LightGBM,\ LR+XGBoost\} \]

Asosiy model va ensemble topilmalari:

Mustaqil test to‘plami natijalari:

Shovqinga chidamlilik:

• Test to‘plamiga 25, 20, 15 va 10 dB SNR darajalarida Gauss oq shovqini qo‘shilgan.
• 15 dB kabi o‘rtacha shovqin sharoitida S to‘plamidagi to‘rtta kombinatsiya %98.06 dan yuqori aniqlik ko‘rsatgan.
• 10 dB kabi kuchliroq shovqin sharoitida aniqlik %96.53 darajasida qolgan.
• LR+LightGBM 25 dB SNR da %99.17 aniqlik ko‘rsatgan; bu farq 720 namunadan atigi bitta namunaga teng kichik tebranish deb qayd etilgan.
• S to‘plamidagi kombinatsiyalar, bir xil xato naqshiga ega LightGBM+XGBoost kontrolidan ko‘ra chidamliroq ko‘ringan.

Kimyoviy sharhlanuvchanlik formulasi:

\[ W_k=\sum_{i=1}^{n} PI_i \times |L_{ik}| \]

Bu formulada W_k k-chi to‘lqin soni nuqtasining umumiy ahamiyat skorini; PI_i i-chi asosiy komponentning permutation importance qiymatini; L_ik k-chi to‘lqin sonining i-chi PCA komponentidagi yukini; n esa ishlatilgan asosiy komponentlar sonini ko‘rsatadi. Bu qayta proyeksiya model qarori qaysi Raman to‘lqin soni hududlariga tayanganini tushuntirish uchun ishlatilgan.

Model ajratib ko‘rsatgan kimyoviy to‘lqin sonlari:

Tadqiqotning asosiy topilmalari:

• DLLME-SERS sun’iy siydikda to‘rt psixoaktiv dorini 5–5000 ng/mL oralig‘ida iz darajada tasniflash uchun ishlatilishi mumkin bo‘lgan spektral ma’lumot ishlab chiqargan.
• Konsentratsiya oshgan sari xarakterli pik intensivliklari oshgan, pik joylari barqaror qolgan.
• Etomidate va tramadol hydrochloride ning taxminan 1000 cm⁻¹ atrofidagi pik ustma-ustligi vizual ajratishni qiyinlashtirgan.
• Dastlabki 10 PCA komponenti tasniflash uchun yetarli belgilar maydoni sifatida tanlangan.
• Jaccard xato ustma-ustlik indeksi ensemble a’zolarining xato to‘ldiruvchanligini sonli baholagan.
• “Select-the-best, pair-the-best” mezoni 15 ta ikki modelli kombinatsiya ichidan eng yaxshi to‘rt kombinatsiyani to‘g‘ri taxmin qilgan.
• LR+XGBoost va LR+LightGBM mustaqil test to‘plamida %99.03 aniqlik va Macro-F1 qiymatlariga erishgan.
• LR+XGBoost umumiy natija va chidamlilik muvozanati tufayli kimyoviy sharhlanuvchanlik tahlili uchun vakillik model sifatida tanlangan.
• Modelning ajratuvchi to‘lqin sonlari to‘rt dorining xarakterli SERS piklari bilan 5 cm⁻¹ ichida mos kelgan.

Tadqiqot cheklovlari:

• Tadqiqot hakamlikdan o‘tmagan preprintdir.
• Namunalari haqiqiy klinik/sud siydik emas, sun’iy siydikdir.
• Faqat to‘rt maqsad modda baholangan.
• Jaccardga asoslangan tanlov mezoni oltita nomzod klassifikator bilan sinovdan o‘tkazilgan; kattaroq model guruhlari uchun qo‘shimcha ish kerak.
• Haqiqiy namunalarda metabolitlar, aralashmalar, turli siydik tarkiblari va ko‘p modda mavjudligi usul natijasini o‘zgartirishi mumkin.
• Tadqiqot tezkor skrining uchun metodologik tayanch bersa-da, bevosita klinik/sud qat’iy tasdiqlash da’vosini qilmaydi.

Manba va usul eslatmasi

Ushbu maqola Ruzhen Xiang, Shijie Zheng, Nan Yin, Haixia Zhao, Liwei Hou, Qinhong Wang va Li Chen tomonidan tayyorlangan “Interpretable Ensemble Learning Combined with DLLME-SERS for High-Accuracy Classification and Identification of Four Trace Psychoactive Drugs in Urine” nomli tadqiqotga asoslanib yozilgan.

Tadqiqot matnda ochiq ko‘rsatilishicha, preprint tadqiqot maqolasidir va hakamlikdan o‘tmagan. Shu sababli natijalar hakamli jurnalda chop etilgan va mustaqil tasdiqlangan yakuniy klinik/sud usuli sifatida emas, balki yanada tasdiqlashni talab qiladigan tadqiqot taklifi va eksperimental-uslubiy hissa sifatida o‘qilishi kerak.

Tadqiqot laboratoriya muhitida sun’iy siydik namunalari bilan olib borilgan. Qo‘llangan usul; DLLME orqali namuna boyitish, AgNP qo‘llab-quvvatlovchi SERS o‘lchovi, spektral oldindan ishlov, PCA asosidagi belgi ajratish, oltita asosiy klassifikatorni o‘qitish, Jaccard xato ustma-ustligiga ko‘ra ensemble a’zolarini tanlash, weighted soft voting, mustaqil test to‘plami bahosi, shovqinga chidamlilik sinovi va permutation importance-PCA loading qayta proyeksiyasi bilan kimyoviy sharhlanuvchanlik tahlilidan iborat.

Bu mazmunda PDFda bo‘lmagan klinik muvaffaqiyat, sudga yaroqlilik, maydonda aniq qo‘llash, haqiqiy bemor namunalarida kafolatlangan samaradorlik yoki regulyator tasdiqi da’vosi qo‘shilmagan. Tadqiqotdagi %99.03 aniqlik, 0.9999 AUC, %98.06 dan yuqori o‘rtacha shovqin aniqligi va 5 cm⁻¹ ichida pik mosligi kabi qiymatlar faqat tadqiqotda ishlatilgan sun’iy siydik ma’lumotlar to‘plami va eksperimental sharoitlar doirasida berilgan.

Tadqiqotning eng muhim ilmiy hissasi SERS-ML sohasida yuqori aniqlikni kimyoviy sharhlanuvchanlik bilan birlashtirishga urinishidir. Model tanlovida xato to‘ldiruvchanligidan foydalanish va model qarorlarini asl Raman to‘lqin soni maydoniga qayta proyeksiya qilish natijalar faqat statistik samaradorlik bilan emas, kimyoviy barmoq izi bilan ham qo‘llab-quvvatlanishini maqsad qiladi.

Kelajakda usulni haqiqiy klinik/sud siydik namunalari, kengroq dori panellari, aralashma ssenariylari, turli qurilmalar va mustaqil laboratoriyalarda sinovdan o‘tkazish kerak. Bu tasdiqlar qilinmaguncha ishni aniq tashxis yoki huquqiy dalil vositasi sifatida emas, balki tezkor skrining va sharhlanuvchan spektroskopik AI tadqiqoti uchun kuchli metodik qadam sifatida baholash kerak.