Метод анализа и идентификации поликомпонентных коллоидных сред на основе физической интерпретации поверхностно-усиленного рамановского рассеяния в ближнем ИК диапазоне с привлечением глубокого обучения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Братченко Людмила Алексеевна

• Братченко Людмила Алексеевна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Братченко Людмила Алексеевна

ВВЕДЕНИЕ

ГЛАВА 1. Спектральный анализ компонентных особенностей сред на основе рамановского эффекта

1.1. Спектроскопия спонтанного рамановского рассеяния

1.2 Приложение рамановской спектроскопии для анализа неорганических сред

1.3 Приложение рамановской спектроскопии для анализа органических сред

1.4 Особенности применения поверхностно-усиленной рамановской спектроскопии

1.5 Многофакторный анализ рамановских спектральных характеристик

Выводы по Главе

Глава 2. Сравнительный анализ коллоидных сред с помощью объемной рамановской спектроскопии и поверхностно-усиленной рамановской спектроскопии

2.1 Характеристики эксперимента

2.1.1 Оптические особенности объекта исследования

2.1.2 Экспериментальный стенд регистрации объемного рамановского рассеяния коллоидных сред в задаче определения базового метода анализа экспериментальных данных

2.1.3 Экспериментальный стенд регистрации микрорамановского рассеяния коллоидных сред в задаче сравнительного анализа объемного рамановского рассеяния и поверхностно-усиленного рамановского рассеяния

2.1.4 Субстрат для поверхностно-усиленного рамановского рассеяния коллоидных сред

2.2 Исследование объемного рамановского рассеяния крови и определение базового метода анализа экспериментальных данных

2.2.1 Логистическая регрессия и факторный анализ характеристик рассеяния

2.2.2 Дискриминантный и факторный анализ рамановского рассеяния

2.2.3 Дерево классификации

2.2.4 Дискриминантный анализ спектров с проекцией на латентные структуры

2.2.5 Мягкое независимое моделирование классовых аналогий

2.2.6 Сравнительный анализ подходов многофакторного анализа рамановских данных без привлечения глубокого обучения

2.3 Спектральные особенности объемного рамановского рассеяния и поверхностно-усиленного рамановского рассеяния поликомпонентной коллоидной среды

Выводы по Главе

Глава 3. Интеллектуальный анализ рамановских характеристик поликомпонентных коллоидных сред на основе глубокого обучения и интерпретация полученных результатов

3.1. База поверхностно-усиленных рамановских характеристик сыворотки

3.2 Математический аппарат предварительной обработки и интеллектуального анализа поверхностно-усиленных рамановских характеристик сыворотки

3.3 Метод анализа экспериментальных данных на основе проекции на

латентные структуры

3.4 Метод анализа экспериментальных данных на основе одномерной сверточной нейронной сети

3.5 Интерпретация моделей интеллектуального анализа для определения компонентных особенностей коллоидных сред

Выводы по Главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

123

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Метод анализа и идентификации поликомпонентных коллоидных сред на основе физической интерпретации поверхностно-усиленного рамановского рассеяния в ближнем ИК диапазоне с привлечением глубокого обучения»

Актуальность темы исследований

Методы анализа структурных и физических свойств вещества, основанные на экспериментальной регистрации и изучении оптических, магнитных, электрических, тепловых свойств, а также их изменений в процессе воздействия, представляют собой широкую область исследований в экспериментальной физике. Отдельный интерес представляют недеструктивные физические методы в задаче анализа молекулярных колебаний и вибрационных мод, ассоциированных со структурными особенностями и компонентным составом коллоидных сред, востребованных во многих разнообразных областях: материаловедении, фармацевтике, нефтедобыче, нефтехимии и нефтепереработке, молекулярной биологии и других. Перспективными методами для решения задачи недеструктивного анализа поликомпонентных сред являются оптические методы. Оптические методы анализа основаны на изучении взаимодействия электромагнитного излучения оптического диапазона с исследуемым веществом. Одним из основных требований к методу оптического анализа поликомпонентных сред является индифферентность к фазе исследуемого вещества при сохранении высокой чувствительности к малейшим изменениям ее компонентного состава. Перечисленным требованиям удовлетворяет метод рамановской спектроскопии. Рамановская спектроскопия успешно применяется для исследования структуры среды (продемонстрировано научной группой Я. Жанга [1]), фазы и полиморфии (описано С Рой с соавторами [2]), кристалличности (представлено группой Л.С. Тэйлор [3]) и молекулярных взаимодействий (описано группой Ч. Ота [4]). В основе рамановской спектроскопии лежит эффект неупругого рассеяния падающего электромагнитного излучения на молекулах исследуемого вещества со сдвигом частоты излучения на частоту колебаний рассеивающей молекулы, что фактически позволяет анализировать особенности исследуемых объектов

на молекулярном уровне. Основными преимуществами рамановской спектроскопии являются: высокоспецифичный анализ, простота пробоподготовки; возможность проводить анализ веществ в твердой, жидкой и газообразной фазе; недеструктивный анализ; отсутствие зависимости исследуемых колебательных особенностей от спектрального диапазона возбуждающего излучения; возможность проводить анализ образца небольшого объема. Однако, при анализе поликомпонентных коллоидных сред возможности рамановской спектроскопии ограничены низким уровнем полезного сигнала. Кроме того, спектры рамановского рассеяния могут содержать шум, перекрываться со спектром автофлуоресценции, существенную роль может играть дрейф рамановского сдвига и вклад сторонних источников спектрального шума. Оптимальное соотношение между интенсивностью рамановского сигнала, уровнем флуоресценции и чувствительностью детектора достигается при возбуждении и регистрации рамановских характеристик в ближнем инфракрасном (ИК) диапазоне. Кроме того, для коллоидных сред улучшение качества рамановского сигнала и повышение информативности проводимого анализа возможно с помощью поверхностно-усиленной рамановской спектроскопии. Поверхностно-усиленная рамановская спектроскопия является высокоселективным методом, позволяющим анализировать структуру отдельных соединений и их комплексов на основе их специфических вибрационных связей. На сегодняшний день исследованы различные методологии реализации поверхностного усиления рамановского сигнала в зависимости от особенностей анализируемой среды. В числе последних наиболее успешных разработок группы под руководством А. Банифацио [5] и научной группы под руководством Х. Женга [6] доминируют методы, основанные на центрифугировании коллоида серебра и предварительном смешивании с исследуемой средой с последующим высыханием. Однако предложенные методы поверхностно-усиленной рамановской спектроскопии в практических приложениях осложняется риском недостаточной воспроизводимости,

ассоциированный с неоднородностью усиления электромагнитного поля, возникновением эффекта мерцания и усложненной пробоподготовкой. Кроме того, для поликомпонентных коллоидных сред получаемые характеристики рамановского рассеяния не являются линейной суперпозицией спектрального вклада всех соединений, входящих в состав исследуемого комплекса, а представляют собой совокупность их спектрального вклада, характеризующуюся мультиколлинеарностью и нелинейностью. Следовательно, анализ спектральных характеристик поликомпонентных коллоидных сред ассоциированы с проблемой множественных перекрытий спектра. Актуальные методы интерпретации рамановских характеристик основаны на мультивариативном анализе, включающем хемометрические методы [7] и методы с применением глубокого обучения [8]. Однако, следует отметить, что большинство работ сфокусированы на классификации рамановских спектров по конкретному признаку, тогда как выделение спектрального вклада конкретного аналита в спектр среды и оценка его содержания остается актуальной задачей в анализе структурных и компонентных особенностей коллоидных сред. Таким образом, существует необходимость разработки нового комплексного метода, позволяющего улучшить идентификацию и анализ вибрационных мод, ассоциированных со структурными особенностями поликомпонентных коллоидных сред, с учетом неоднородности спектральных характеристик и мультиколлинеарности в условиях высоких фоновых шумов и флуоресценции.

Цель и задачи диссертационной работы

Целью диссертационной работы является разработка метода анализа и идентификации вибрационных мод поликомпонентных коллоидных сред на основе физической интерпретации спектральных особенностей поверхностно-усиленного рамановского рассеяния в ближнем ИК диапазоне с привлечением глубокого обучения.

Задачи:

1. Сравнительный анализ спектральных характеристик поликомпонентных коллоидных сред на основе объемного и поверхностно-усиленного рамановского рассеяния при возбуждении на длине волны 785 нм и регистрации в ближнем ИК диапазоне.

2. Анализ применения глубокого обучения для распознавания поверхностно-усиленных рамановских спектров поликомпонентных коллоидных сред при решении классификационных и регрессионных задач определения вибрационных мод, ассоциированных с компонентными особенностями анализируемой среды.

3. Разработка аналитического метода идентификации вибрационных мод поликомпонентных коллоидных сред и ассоциированных спектральных особенностей на основе распределения важности переменных интеллектуального анализа характеристик поверхностно-усиленного рамановского рассеяния.

Научная новизна

1. Предложен метод спектрального анализа на основе поверхностно-усиленной рамановской спектроскопии, реализуемой на основе субстрата агломератов сферических частиц серебра размером порядка 200 нм с капиллярным эффектом в кристаллах нитрата натрия объемной концентрации 0,02% при возбуждении на длине волны 785 нм. Установлено, что в условиях интенсивного флуоресцентного фона предложенный метод обеспечивает надежную регистрацию вибрационных мод поликомпонетных коллоидных сред в диапазоне 800 - 950 нм даже в отсутствии охлаждения детектора за счет увеличения усиления рамановского сигнала до 4 х 105 раз при одновременном снижении неоднородности спектральной интенсивности излучения.

2. Предложен метод комплексного анализа поликомпонентных коллоидных сред на основе комбинации поверхностно-усиленной рамановской спектроскопии и интеллектуального анализа спектральных

данных в диапазоне 500-1900 см-1, реализованного с использованием одномерных свёрточных нейронных сетей. Метод с привлечением глубокого обучения для распознавания поверхностно-усиленных рамановских спектров, характеризующихся мультиколлинеарностью и множественными перекрытиями спектральных полос, позволяет улучшить точность решения классификационных задач идентификации вибрационных мод на 7 - 13% и увеличить коэффициент детерминации отдельных аналитов среды на 6 - 7% по сравнению с методом без привлечения глубокого обучения.

3. Предложен метод идентификации поверхностно-усиленных рамановских спектральных характеристик коллоидных сред, ассоциированных с особенностями их компонентного состава, включающий в себя анализ распределения важности переменных, рассчитанного на основе алгоритма перестановки, в модели одномерной сверточной нейронной сети. Показано, что применение предложенного метода для анализа спектрального вклада низкомолекулярных соединений в поликомпонентной органической коллоидной смеси обеспечивает обнаружение и количественное определение спектрального вклада креатинина в полосах 630 - 650 см-1, 720 - 750 см-1, 1380 - 1415 см-1 и спектрального вклада карбамида в полосах 720 - 750 см-1, 9901030 см-1 с точностью не ниже 80%.

Положения, выносимые на защиту

1. Метод спектрального анализа коллоидных сред, состав которых характеризуется множеством изотропно распределенных компонентов, основанный на поверхностно-усиленной рамановской спектроскопии при использовании субстрата агломератов сферических частиц серебра размером порядка 200 нм с капиллярным эффектом в кристаллах нитрата натрия объемной концентрации 0,02%, отличающийся отсутствием эффекта мерцания и обеспечивающий коэффициент усиления рамановского сигнала на уровне 4 х 105 при возбуждении на длине волны 785 нм и регистрации в диапазоне 800 - 950 нм.

2. Метод интеллектуального анализа с привлечением глубокого обучения для поверхностно-усиленных рамановских спектров поликомпонентных коллоидных сред в диапазоне 500-1900 см-1 в условиях нелинейной зависимости спектральных характеристик среды от множественных колебаний молекул, входящих в ее состав, позволяющий повысить точность спектрального анализа молекулярных колебаний коллоидных сред на 7 - 13% по сравнению с билинейным методом без привлечения глубокого обучения.

3. Метод идентификации поверхностно-усиленных рамановских спектральных особенностей поликомпонентных коллоидных сред, ассоциированных с особенностями их компонентного состава, основанный на анализе распределения важности переменных в модели одномерной сверточной нейронной сети. Показано, что применение предложенного метода для анализа спектрального вклада низкомолекулярных соединений в поликомпонентной органической смеси обеспечивает определение спектрального вклада креатинина в полосах 630 - 650 см-1, 720 - 750 см-1, 1380 - 1415 см-1 и спектрального вклада карбамида в полосах 720 - 750 см-1, 9901030 см-1 с точностью не ниже 80%.

Степень достоверности полученных результатов

Достоверность результатов работы обеспечивается за счёт использования сертифицированных оптических приборов и строгости методов математического анализа и машинного обучения. Достоверность представленных научных результатов подтверждается воспроизводимостью экспериментальных и расчетных данных, а также их соответствием результатам работ других авторов. Основные результаты работы опубликованы в российских и международных рецензируемых научных журналах.

Практическая значимость

Практическая ценность результатов работы заключается в возможности выполнять качественный и количественный анализ поликомпонентных

коллоидных сред с выделением спектрального вклада аналитов, входящих в состав исследуемой среды. Предлагаемый оптический метод основан на интеллектуальном анализе поверхностно-усиленных рамановских спектральных характеристик среды и позволяет в условиях мультиколлинеарности и множественных перекрытий спектральных полос идентифицировать спектральный вклад и количественное содержание малых доз аналитов, что представляет интерес в области материаловедения, криминалистики, лабораторной клинической практики. Применение предлагаемого оптического метода в клинических исследованиях позволило выявить патолого-ассоциированные спектральные характеристики сыворотки диализных пациентов с терминальной стадией хронической болезни почек. Практическая значимость результатов работы подтверждена их использованием в рамках гранта Российского научного фонда №21-75-10097 «Оптическое метаболомное и протеиномное профилирование в оценке сердечно-сосудистого ремоделирования и прогноза у пациентов с клиническими формами атеросклероза и хронической болезнью почек» с 2021 г., гранта Российского Фонда Фундаментальных Исследований №2 20-32-90040 «Многомерный анализ рамановского рассеяния кожи для исследования метаболизма организма человека» 2020-2022 гг., гранта Российского Фонда Фундаментальных Исследований №17-42-630907 «Параметры Романовского рассеяния и автофлуоресценции как предикторы заболеваний у пациентов с трансплантированной почкой» 2017-2018 гг., гранта Российского Фонда Фундаментальных Исследований №219-52-18001 «Мультивариативный анализ рака кожи на основе рамановской и флуоресцентной спектроскопии» 20192020 гг.

Методы исследования

В качестве экспериментальных методов исследования в диссертационной работе использованы метод рамановской спектроскопии и метод поверхностно-усиленной рамановской спектроскопии. Обработка регистрируемых спектральных данных и построение моделей

интеллектуального анализа осуществлялись с использованием среды разработки программного обеспечения с открытым исходным кодом для языка программирования R «RStudio».

Апробация результатов диссертации

Результаты диссертационной работы были представлены на конференциях международного и всероссийского уровней: Самарский конкурс-конференция научных работ студентов и молодых исследователей по оптике и лазерной физике (г. Самара, 2018 - 2020 гг.), Международная конференция Saratov Fall Meeting - International Symposium "Optics and Biophotonics" (г. Саратов, 2018 - 2021 гг.), Международная конференция и молодёжная школа «Информационные технологии и нанотехнологии» (г. Самара, 2018-2021 гг.), Международная конференция SPIE Photonics Europe (г.Страсбург, 2020 г), Международная конференция European Conferences on Biomedical Optics (ECBO, 2021 г.), Международная конференция Raman-based biosensors. European Biosensor Symposium - Digital Seminar Series (онлайн формат, 2021 г.).

Личный вклад автора

Личный вклад автора заключается в самостоятельном выполнении предварительной пробоподготовки и экспериментальных исследований, разработке моделей глубокого обучения, выполнении интеллектуального анализа спектральных данных и интерпретации полученных результатов. Изложенные в диссертации оригинальные результаты получены автором лично, либо при его непосредственном участии. Постановка задач и обсуждение результатов проводились совместно с научным руководителем.

ГЛАВА 1. Спектральный анализ компонентных особенностей сред на основе рамановского эффекта

В Главе 1 диссертационной работы представлен обзор существующих методов спектрального анализа компонентных и структурных особенностей поликомпонентных сред на основе рамановского эффекта. Определены ограничения рассматриваемых методов и сформулированы основные проблемы при анализе поликомпонентных коллоидных сред, препятствующие идентификации спектрального вклада конкретного аналита, входящего в состав исследуемого образца.

1.1. Спектроскопия спонтанного рамановского рассеяния

Методы анализа структурных и физических свойств сред в оптическом диапазоне опираются на эффекты дисперсии, поглощения, эмиссии и рассеяния возбуждающего электромагнитного излучения при его взаимодействии с веществом. Флуоресценция и фосфоресценция являются примерами поглощения и последующего испускания света веществом [9]. Упругое рассеяние, такое как рэлеевское рассеяние на атомах, молекулах или фононах и рассеяние Ми на макрочастицах, характеризуется отсутствием изменений частоты излучения и внутреннего состояния рассеивающих частиц. Неупругое рассеяние, такое как рассеяние Мандельштама — Бриллюэна, комптоновское рассеяние на заряженных частицах и рамановское рассеяние, сопровождается изменением частоты излучения [10].

Дисперсия оптических свойств объекта зависят от особенностей его внутреннего строения, наличия неоднородностей, анизотропии среды, наличия люминофоров, фазового состояния вещества. Поликомпонентные среды характеризуются широкой вариабельностью этих параметров, следовательно, основным требованием к выбору оптического метода анализа поликомпонентных коллоидных сред является его универсальность. Этому требованию наиболее соответствуют методы колебательной спектроскопии. Следует отметить, что среды, характеризующиеся содержанием воды или

растворителей, отличаются высоким поглощением излучения инфракрасного диапазона. Поэтому рамановская спектроскопия имеет преимущество перед другими методами колебательной спектроскопии, основанными на поглощении инфракрасного света, и является важным оптическим методом анализа структурных и физических свойств поликомпонентных сред.

Рамановская спектроскопия — это неразрушающий аналитический метод, основанный на неупругом рассеянии монохроматичного света молекулами исследуемого вещества, который обеспечивает анализ химической структуры, фазы и полиморфии, кристалличности и молекулярных взаимодействий [11]. Первые применения рамановской спектроскопии ограничивались изучением спектров колебаний и структуры молекул. Одним из факторов, ограничивающих применение рамановской спектроскопии, был слабый сигнал рассеяния. Для возбуждения обнаруживаемого сигнала требуется монохроматический свет большой интенсивности. Рамановский сдвиг, характеризующий собственную частоту колебаний рассеивателя, измеряется как смещение длины волны рассеянного излучения от возбуждающей длины волны. Таким образом, источник возбуждающего излучения для рамановских измерений должен быть монохроматическим. Изобретение лазера в 1960 году позволило реализовать это требование. Вскоре после этого лазеры стали использовать для возбуждения рамановского рассеяния, и число приложений рамановской спектроскопии стремительно возросло [12]. Рамановская спектроскопия является некогерентным процессом, для ее реализации обычно используются источники непрерывного излучения, поскольку импульсные лазеры требуют более высокой пиковой мощности для достаточного отношения сигнал/шум, что может привести к фотообесцвечиванию или повреждению исследуемого образца.

Поскольку величина рамановского сдвига полностью определяется собственными колебаниями рассеивающей молекулы и не зависит от частоты возбуждающего излучения, то выбор длины волны лазерного источника во

многом зависит от прозрачности исследуемой среды в области частот рамановского рассеяния и наличии других эффектов эмиссии в этом же диапазоне, возбуждающихся тем же лазерным источником. Более короткие длины волн видимого диапазона и УФ-излучения вызывают фотолюминесценцию в различных средах, которая может маскировать пики рамановского рассеяния. В Таблице 1.1 представлены характеристики флуорофоров, наиболее часто встречающихся в различных средах.

Таблица 1.1. Пары длин волн возбуждения и испускания для основных флуорофоров различных сред

Класс веществ Флуорофор Поглощение, нм Флуоресценция, нм Ссылка

Неорганические вещества Оксиды железа (НЧ) 300-400 560, 695, 840 [13]

Оксиды меди (НЧ) 300 407, 466, 562 [14]

Оксид титана (НЧ) 300 407, 466, 562 [14]

Оксид цинка (НЧ) 350-450 422, 445, 485, 527 [15]

Оксид марганца (НЧ) 300 568 [16]

Органические Хинин 300-400 400-600 [17]

вещества Ликопин 350 493 [18]

Меланин 470 540 [19]

Бета-каротин 350 492 [18]

Ароматичес кие аминокислот ы 240-280 280-350 [20]

Коллаген 330-340 400-410 [21]

Эластин 350, 420 420, 510 [22]

Кератины 280, 325 495, 525 [23]

Флавины 350-370 480-540 [24]

Порфирины 405, 500-600 630,670 [25]

Липопигмен 400-500 >540 [26]

ты

Витамины 370-380 490-510 [27]

290-310 375-395

375-395 400-500

Липиды 330, 350 470-480 [27]

Обозначение: НЧ - наночастицы

При возбуждении единичной молекулы, находящейся в состоянии т, с помощью излучения частотой !0 и интенсивностью 1о таким образом, что молекула переходит в состояние п, рассеивая свет с частотой !0 + !тп (Утп=ут — уп), суммарная интенсивность рассеянного света после усреднения по всем ориентациям молекулы выражается в виде [28]:

27(* . ,2

!о(Уо +!тп)4 )7

%тп 32*4 *оч"0 1 "тп; / \к."-р,*;тп

р,*

где с - скорость света, (.р,* )тп - тензор поляризуемости для перехода т^п. Таким образом, интенсивность рамановского рассеяния прямо пропорциональна интенсивности возбуждающего излучения, обратно пропорциональна четвертой степени длины волны возбуждающего излучения, а также зависит от количества молекул и рассеивающих свойств образца. Следовательно, при прочих равных условиях по мере увеличения длины волны увеличивается время сбора сигнала [29]. Для рамановской спектроскопии предпочтительна узкая ширина линии (<100 пм), поскольку точность измерения сдвига частоты в процессе рамановского рассеяния ограничена шириной линии генерации лазера. Лазерные источники для рамановской спектроскопии должны быть стабилизированы по длине волны и мощности в течение длительных периодов времени и от использования к использованию. Время накопления спектра рамановского рассеяния может

варьироваться от 0,1 мс [30] при использовании быстрого (20 кГц) многоканального детектора стимулированного рамановского рассеяния до нескольких дней [31] при регистрации рамановских карт. Если длина волны источника дрейфует во время измерения, пики рамановского рассеяния также будут дрейфовать. Дрейф длины волны также проблематичен от измерения к измерению, поскольку вызывает смещение пиков, что, в свою очередь, затрудняет сравнение результатов измерений.

В Таблице 1.2 представлены параметры источников лазерного излучения, наиболее часто применяемых для возбуждения рамановского сигнала различных типов сред. Видно, что для анализа компонентных и структурных особенностей поликомпонентных коллоидных сред, характеризующихся содержанием аналитов с вариабельностью оптических характеристик, целесообразно использовать лазерные источники ближнего ИК диапазона в области длин волн 785-830 нм, поскольку при меньших длинах волн существенно растет уровень флуоресценции, а при больших длинах волн повышается риск повреждения образца лазерным излучением. Кроме того, при использовании кремниевых детекторов рамановский сдвиг выходит за пределы их чувствительности при использовании длин волн выше 830 нм (см. рисунок 1.1). В связи с этим, оптимальным выбором, уравновешивающим конкурирующие факторы и обеспечивающим оптимальное соотношение между интенсивностью рамановского сигнала, флуоресценцией и чувствительностью детектора, является использования возбуждающих лазеров на длине волны 785 нм.

Таблица 1.2. Параметры лазерного излучения для возбуждения рамановского сигнала различных типов сред

Длина волны!ех, (нм)

266

355

457

473

515

532

640

660

782

785

830

980

1064

Ширина спектральной линии

<100 пм

Тип детектора

кремниевые CCD, EMCCD

CCD, EMCCD InGaAs, InP

Ограничивающие факторы

IRa

Риск повреждения образца

Среда

кремниевые пленки, взрывчатые вещества, биообъекты

хиральные соединения

оксиды металлов, неорганические среды

оксиды металлов, неорганические среды, органические среды

полимеры, органические среды, биомедицинские приложения

красители, пигменты и пищевые масла

Ссылка

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

[43]

[44]

I Обозначения: CCD - детектор на основе ПЗС (прибор с зарядовой связью), EMCCD - ПЗС с электронным умножением, InGaAs - матричные устройства на основе арсенида индия-галлия, InP - матричные устройства на основе фосфида индия, IRaman(!ex) - зависимость интенсивности рамановского рассеяния от длины волны возбуждающего излучения, Iaf(!6X ) - зависимость интенсивности автофлуоресценции от длины волны возбуждающего излучения.

Другими критическими элементами установок рамановской спектроскопии являются устройств с зарядовой связью (ПЗС) и фотодетекторы на основе InGaAs, рамановский микроскоп [45] и оптические фильтры для подавления упруго рассеянного излучения возбуждающей длины волны [46]. На рисунке 1.1 представлена сравнительная диаграмма квантовой эффективности кремниевых ПЗС-детекторов и InGaAs-детекторов.

400 600 800 1000 1200 1400 1600 1800

wavelength (nm)

Рисунок 1.1 - Зависимость квантовой эффективности кремниевых ПЗС-детекторов и InGaAs-детекторов от спектрального диапазона [47]

Детекторы на основе ПЗС наиболее часто применяются для регистрации рамановского сигнала в ультрафиолетовой, видимой и ближней ИК области [48]. Предел чувствительность ПЗС-детектора ограничен уровнем шума системы, описываемым формулой:

где Nsignal - дробовый шум сигнала, Ndark_ signal - шум темнового тока, Nread_out -

шум считывания.

Влияние дробового шум обычно компенсируется за счет накопления ряда спектров. Наиболее распространенный способ уменьшения шума системы и повышения предела чувствительности ПЗС-детектора на порядок является уменьшение шума темнового тока за счет охлаждения детектора (от -10°С до -100°С). На рисунке 1.2 представлен пример влияния повышения

1.00 Т

Н-Гг I-I-1-н

температуры ПЗС-детектора на шум системы по мере накопления сигнала.

qI-.-.-.-. о1-'-1-1-1 о1-1-1-1-'

О 5 10 15 20 0 5 10 15 20 0 5 10 15 20

Time (s) Time (s) Time (s)

Рисунок 1.2 - Пример зависимости соотношения сигнал-шум системы регистрации рамановского рассеяния iDus 420 BR-DD от температуры ПЗС для FVB, кадрирования и режима чтения изображения: а) -80°, б) -50°, в) -20° [49].

Список литературы диссертационного исследования кандидат наук Братченко Людмила Алексеевна, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Zhang Y. et al. Visually constructing the chemical structure of a single molecule by scanning Raman picoscopy //National science review. - 2019. - Т. 6. -№. 6. - С. 1169-1175.

2. Roy S., Chamberlin B., Matzger A. J. Polymorph discrimination using low wavenumber Raman spectroscopy //Organic process research & development.

- 2013. - Т. 17. - №. 7. - С. 976-980.

3. Taylor L. S., Zografi G. The quantitative analysis of crystallinity using FT-Raman spectroscopy //Pharmaceutical research. - 1998. - Т. 15. - №. 5. - С. 755-761.

4. Ota C., Noguchi S., Tsumoto K. The molecular interaction of a protein in highly concentrated solution investigated by R aman spectroscopy //Biopolymers.

- 2015. - Т. 103. - №. 4. - С. 237-246.

5. Esposito A. et al. Label-free Surface Enhanced Raman Scattering (SERS) on Centrifugal Silver Plasmonic Paper (CSPP): A Novel Methodology for Unprocessed Biofluids Sampling and Analysis //Biosensors. - 2021. - Т. 11. - №. 11. - С. 467.

6. Huang Z. et al. Correlation of surface-enhanced Raman spectroscopic fingerprints of kidney transplant recipient urine with kidney function parameters //Scientific reports. - 2021. - Т. 11. - №. 1. - С. 1-7.

7. Htet T. T. M. et al. PLS-regression-model-assisted raman spectroscopy for vegetable oil classification and non-destructive analysis of alpha-tocopherol contents of vegetable oils //Journal of Food Composition and Analysis. - 2021. - Т. 103. - С. 104119.

8. Fukuhara M. et al. Feature visualization of Raman spectrum analysis with deep convolutional neural network //Analytica chimica acta. - 2019. - Т. 1087.

- С. 11-19.

9. Specht E. A., Braselmann E., Palmer A. E. A critical and comparative review of fluorescent tools for live-cell imaging //Annual review of physiology. -2017. - Т. 79. - С. 93-117.

10. Langley K. H., Teraoka I. 7. Light Scattering and Other Optical Methods //Experimental Methods in the Physical Sciences. - Academic Press, 1999. - T. 35. - C. 263-300.

11. Jones R. R. et al. Raman techniques: fundamentals and frontiers //Nanoscale research letters. - 2019. - T. 14. - №. 1. - C. 1-34.

12. Dustin W., Shipp F. S., Notingher L. Raman spectroscopy: techniques and application in the life sciences //Adv. Opt. Photon. - 2017. - T. 9. - №. 2. - C. 315-428.

13. Shi D. et al. Photo-fluorescent and magnetic properties of iron oxide nanoparticles for biomedical applications //Nanoscale. - 2015. - T. 7. - №. 18. - C. 8209-8232.

14. Lee S. C. et al. Photocatalytic removal of 2, 4-dichlorophenoxyacetic acid herbicide on copper oxide/titanium dioxide prepared by co-precipitation method //IOP Conference Series: Materials Science and Engineering. - IOP Publishing, 2016. - T. 107. - №. 1. - C. 012012.

15. Estrada-Urbina J. et al. Nanoscale zinc oxide particles for improving the physiological and sanitary quality of a Mexican landrace of red maize //Nanomaterials. - 2018. - T. 8. - №. 4. - C. 247.

16. Yao C. et al. A fluorescence sensing platform with the MnO2 nanosheets as an effective oxidant for glutathione detection //Sensors and Actuators B: Chemical. - 2017. - T. 252. - C. 30-36.

17. Croce A. C. Light and autofluorescence, multitasking features in living organisms //Photochem. - 2021. - T. 1. - №. 2. - C. 67-125.

18. Alwis D., Chandrika U. G., Jayaweera P. M. Spectroscopic studies of neutral and chemically oxidized species of P-carotene, lycopene and norbixin in CH2Cl2: Fluorescence from intermediate compounds //Journal of Luminescence. -2015. - T. 158. - C. 60-64.

19. Gallas J. M., Eisner M. Fluorescence of melanin-dependence upon excitation wavelength and concentration //Photochemistry and photobiology. -1987. - T. 45. - №. 5. - C. 595-600.

20. Du R. et al. An Approach for In Situ Rapid Detection of Deep-Sea Aromatic Amino Acids Using Laser-Induced Fluorescence //Sensors. - 2020. - T. 20. - №. 5. - C. 1330.

21. Rybczynski P. et al. Fluorescence Spectroscopy of Collagen in Several Solvents. - 2014.

22. Kollias N. et al. Endogenous skin fluorescence includes bands that may serve as quantitative markers of aging and photoaging //Journal of investigative dermatology. - 1998. - T. 111. - №. 5. - C. 776-780.

23. Wu Y., Qu J. Y. Autofluorescence spectroscopy of epithelial tissues //Journal of biomedical optics. - 2006. - T. 11. - №. 5. - C. 054023.

24. Villabona-Monsalve J. P. et al. Two-photon excitation of flavins and flavoproteins with classical and quantum light //Journal of the American Chemical Society. - 2018. - T. 140. - №. 44. - C. 14562-14566.

25. Zaruba K. et al. Modified porphyrin-brucine conjugated to gold nanoparticles and their application in photodynamic therapy //Organic & Biomolecular Chemistry. - 2010. - T. 8. - №. 14. - C. 3202-3206.

26. Bottiroli G., Croce A. C. Autofluorescence spectroscopy of cells and tissues as a tool for biomedical diagnosis //Photochemical & photobiological sciences: Official journal of the European Photochemistry Association and the European Society for Photobiology. - 2004. - T. 3. - №. 11-12. - C. 189-210.

27. Palumbo G., Pratesi R. (ed.). Lasers and current optical techniques in biology. - Royal Society of Chemistry, 2004. - T. 4.

28. Brotman A., Burstein E. Physic a Scripta 32, 385 (1985); AC Albrecht //J. Chern. Phys. - 1961. - T. 34. - C. 1476.

29. Wiley J. et al. Sons. - New York; NY : Inc, 2001. - T. 1. - №. 11.

30. Czerwinski L. et al. Broadband stimulated Raman microscopy with 0.1 ms pixel acquisition time //Optics Letters. - 2016. - T. 41. - №. 13. - C. 3021-3024.

31. Jenila C., Raja A. S. Reduction of data acquisition time in Raman spectroscopy imaging using structure based compressive sampling algorithm //Optical and Quantum Electronics. - 2015. - T. 47. - №. 12. - C. 3855-3862.

32. Nagli L. et al. Absolute Raman cross-sections of some explosives: Trend to UV //Optical Materials. - 2008. - T. 30. - №. 11. - C. 1747-1754.

33. Egermann J., Seeger T., Leipertz A. Application of 266-nm and 355-nm Nd: YAG laser radiation for the investigation of fuel-rich sooting hydrocarbon flames by Raman scattering //Applied optics. - 2004. - T. 43. - №. 29. - C. 55645574.

34. Zhang Y. et al. A short-wavelength Raman optical activity spectrometer with laser source at 457 nm for the characterization of chiral molecules //Applied Spectroscopy. - 2017. - T. 71. - №. 9. - C. 2211-2217.

35. Adamchuk D. V. et al. Nonstoichiometric tin oxide films: study by X-ray diffraction, Raman scattering and electron paramagnetic resonance //Lithuanian Journal of Physics. - 2019. - T. 59. - №. 4.

36. Wu J. et al. Raman spectra study on modifications of BK7 glass induced by 1030-nm and 515-nm femtosecond laser //Results in Physics. - 2021. - T. 21. -C. 103814.

37. Xu J., Ye A. Laser trapping of Ag nanoparticles to enhance Raman spectroscopy in aqueous media //Optics Express. - 2019. - T. 27. - №. 11. - C. 15528-15539.

38. Raza A. et al. High index contrast photonic platforms for on-chip Raman spectroscopy //Optics express. - 2019. - T. 27. - №. 16. - C. 23067-23079.

39. Puppels G. J. et al. Laser irradiation and Raman spectroscopy of single living cells and chromosomes: sample degradation occurs with 514.5 nm but not with 660 nm laser light //Experimental cell research. - 1991. - T. 195. - №. 2. - C. 361-367.

40. Pozegic T. R. et al. Multi-functional carbon fibre composites using carbon nanotubes as an alternative to polymer sizing //Scientific reports. - 2016. -T. 6. - №. 1. - C. 1-11.

41. Krafft C. et al. Near infrared Raman spectroscopy to study the composition of human brain tissue and tumors //European Conference on Biomedical Optics. - Optical Society of America, 2003. - C. 5141_230.

42. Aguiar R. P. et al. Use of Raman spectroscopy to evaluate the biochemical composition of normal and tumoral human brain tissues for diagnosis //Lasers in Medical Science. - 2020. - C. 1-13.

43. Marucci G. et al. Raman spectroscopic library of medieval pigments collected with five different wavelengths for investigation of illuminated manuscripts //Analytical methods. - 2018. - T. 10. - №. 10. - C. 1219-1236.

44. Chao K. et al. A 1064 nm dispersive Raman spectral imaging system for food safety and quality evaluation //Applied Sciences. - 2018. - T. 8. - №. 3. -C. 431.

45. Microprobe R. Microscope with Laser Excitation, M. Delhaye and P. Dhamelincourt //Journal of Raman Spectroscopy. - 1975. - T. 3. - №. 1075. - C. 33-43.

46. Puppels G. J. et al. A high-throughput Raman notch filter set //Review of scientific instruments. - 1990. - T. 61. - №. 12. - C. 3709-3712.

47. Ciocia A. et al. Realization and Use of an IR Camera for Laboratory and On-field Electroluminescence Inspections of Silicon Photovoltaic Modules //2019 IEEE 46th Photovoltaic Specialists Conference (PVSC). - IEEE, 2019. - C. 2734-2739.

48. O'Grady A. A comparison of EMCCD, CCD and emerging technologies optimized for low-light spectroscopy applications //Biomedical Vibrational Spectroscopy III: Advances in Research and Industry. - SPIE, 2006. -T. 6093. - C. 183-191.

49. Barton S. J., Hennelly B. M. Signal to noise ratio of Raman spectra of biological samples //Biophotonics: Photonic Solutions for Better Health Care VI. -International Society for Optics and Photonics, 2018. - T. 10685. - C. 106854F.

50. Kakihana M., Osada M. Raman spectroscopy as a characterization tool for carbon materials //Carbon Alloys. - Elsevier Science, 2003. - C. 285-298.

51. Orlando A. et al. A comprehensive review on Raman spectroscopy applications //Chemosensors. - 2021. - T. 9. - №. 9. - C. 262.

52. Aqel A. et al. Carbon nanotubes, science and technology part (I) structure, synthesis and characterisation //Arabian Journal of Chemistry. - 2012. -T. 5. - №. 1. - C. 1-23.

53. Zhang X., Tan Q. H., Wu J.-B., Shi W., Tan P.-H //Nanoscale. - 2016.

- T. 8. - C. 6435.

54. Nasdala L., Schmidt C. Applications of Raman spectroscopy in mineralogy and geochemistry //Elements: An International Magazine of Mineralogy, Geochemistry, and Petrology. - 2020. - T. 16. - №. 2. - C. 99-104.

55. Schmidt C. et al. Calibration of zircon as a Raman spectroscopic pressure sensor to high temperatures and application to water-silicate melt systems //American Mineralogist. - 2013. - T. 98. - №. 4. - C. 643-650.

56. Larsen P. A., Patience D. B., Rawlings J. B. Industrial crystallization process control //IEEE Control Systems Magazine. - 2006. - T. 26. - №. 4. - C. 7080.

57. Roozeboom F., Robson H. E., Chan S. S. Laser Raman study on the crystallization of zeolites A, X and Y //Zeolites. - 1983. - T. 3. - №. 4. - C. 321328.

58. Hu Y. et al. Estimation of the transition temperature for an enantiotropic polymorphic system from the transformation kinetics monitored using Raman spectroscopy //Journal of pharmaceutical and biomedical analysis. - 2007. - T. 45.

- №. 4. - C. 546-551.

59. Wang C., Vickers T. J., Mann C. K. Direct assay and shelf-life monitoring of aspirin tablets using Raman spectroscopy //Journal of pharmaceutical and biomedical analysis. - 1997. - T. 16. - №. 1. - C. 87-94.

60. No A. et al. Raman spectroscopy in cultural heritage: background paper //Analytical Methods. - 2015. - T. 7. - №. 12. - C. 4844-4847.

61. Casadio F., Daher C., Bellot-Gurlet L. Raman spectroscopy of cultural heritage materials: overview of applications and new frontiers in instrumentation, sampling modalities, and data processing //Analytical Chemistry for Cultural Heritage. - 2017. - C. 161-211.

62. Daniel F. et al. Raman and SEM-EDX analyses of the 'Royal Portal'of Bordeaux Cathedral for the virtual restitution of the statuary polychromy //Journal of Raman Spectroscopy. - 2016. - T. 47. - №. 2. - C. 162-167.

63. Bicchieri M., Nardone M., Sodo A. Application of micro-Raman spectroscopy to the study of an illuminated medieval manuscript //Journal of Cultural Heritage. - 2000. - T. 1. - C. S277-S279.

64. Peterson S. et al. Near-infrared Fourier transform Raman spectroscopy of skin samples from theTomb of the Two Brothers,' //Khnum-Nakht and Nekht-Ankh, XIIth Dynasty Egyptian mummies (ca 2000 BC) J Raman Spectrosc. - 2003. - T. 34. - C. 375-379.

65. Colomban P., Lu T. A., Milande V. Non-invasive on-site Raman study of blue-decorated early soft-paste porcelain: The use of arsenic-rich (European) cobalt ores-Comparison with huafalang Chinese porcelains //Ceramics International. - 2018. - T. 44. - №. 8. - C. 9018-9026.

66. Rousaki A., Vandenabeele P. In situ Raman spectroscopy for cultural heritage studies //Journal of Raman Spectroscopy. - 2021. - T. 52. - №. 12. - C. 2178-2189.

67. Naahidi S. et al. Biocompatibility of engineered nanoparticles for drug delivery //Journal of controlled release. - 2013. - T. 166. - №. 2. - C. 182-194.

68. Georgia C. et al. P. Nanoparticle magnetism //Nano Today. - 2009. -T. 4. - №. 438-447. - C. 1748-0132.

69. Iskandar F. Nanoparticle processing for optical applications-A review //Advanced Powder Technology. - 2009. - T. 20. - №. 4. - C. 283-292.

70. Bhaumik A. et al. Probing the interaction at the nano-bio interface using raman spectroscopy: ZnO nanoparticles and adenosine triphosphate biomolecules //The Journal of Physical Chemistry C. - 2014. - T. 118. - №. 32. -C. 18631-18639.

71*. Borisova, E. G. Near-infrared autofluorescence spectroscopy of pigmented benign and malignant skin lesions [Text] / E.G. Borisova, I.A.

*выделены собственные публикации по теме диссертации

Bratchenko, Y.A. Khristoforova, L.A. Bratchenko, T.I. Genova, A.I. Gisbrecht, A.A. Moryatov, S.V. Kozlov, P.P. Troyanova, V.P. Zakharov // Optical Engineering. - 2020. - Vol. 59. - 061616.

72. Hanlon E. B. et al. Feldf MS. Prospects for in vivo Raman spectroscopy //Physics in Medicine & Biology. - 2000. - T. 45. - №. 2. - C. R1.

73. Fleming I., Williams D. Infrared and Raman spectra //Spectroscopic methods in organic chemistry. - Springer, Cham, 2019. - C. 85-121.

74. Lin S. Y., Li M. J., Cheng W. T. FT-IR and Raman vibrational microspectroscopies used for spectral biodiagnosis of human tissues //Spectroscopy.

- 2007. - T. 21. - №. 1. - C. 1-30.

75. Walter A. et al. From bulk to single-cell classification of the filamentous growing Streptomyces bacteria by means of Raman spectroscopy //Applied spectroscopy. - 2011. - T. 65. - №. 10. - C. 1116-1125.

76. Ho C. S. et al. Rapid identification of pathogenic bacteria using Raman spectroscopy and deep learning //Nature communications. - 2019. - T. 10. - №. 1.

- C. 1-8.

77. Ryzhikova E. et al. Raman spectroscopy of blood serum for Alzheimer's disease diagnostics: specificity relative to other types of dementia //Journal of biophotonics. - 2015. - T. 8. - №. 7. - C. 584-596.

78. Del Mistro G. et al. Surface-enhanced Raman spectroscopy of urine for prostate cancer detection: a preliminary study //Analytical and Bioanalytical Chemistry. - 2015. - T. 407. - №. 12. - C. 3271-3275.

79. Jaychandran S., Meenapriya P. K., Ganesan S. Raman spectroscopic analysis of blood, urine, saliva and tissue of oral potentially malignant disorders and malignancy-a diagnostic study //International Journal of Oral and Craniofacial Science. - 2016. - T. 2. - №. 1. - C. 011-014.

80. Zou Y. et al. Urine surface-enhanced Raman spectroscopy for non-invasive diabetic detection based on a portable Raman spectrometer //Laser Physics Letters. - 2016. - T. 13. - №. 6. - C. 065604.

81. Sikirzhytski V., Virkler K., Lednev I. K. Discriminant analysis of Raman spectra for body fluid identification for forensic purposes //Sensors. - 2010.

- Т. 10. - №. 4. - С. 2869-2884.

82. Sikirzhytskaya A., Sikirzhytski V., Lednev I. K. Determining gender by Raman spectroscopy of a bloodstain //Analytical chemistry. - 2017. - Т. 89. -№. 3. - С. 1486-1492.

83. Djaker N. et al. Coherent anti-Stokes Raman scattering microscopy (CARS): Instrumentation and applications //Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. - 2007. - Т. 571. - №. 1-2. - С. 177-181.

84. Martin R. M., Falicov L. M. Resonant raman scattering //Light scattering in Solids I. - 1983. - С. 79-145.

85. Denisov V. N., Mavrin B. N., Podobedov V. B. Hyper-Raman scattering by vibrational excitations in crystals, glasses and liquids //Physics reports.

- 1987. - Т. 151. - №. 1. - С. 1-92.

86. Rigneault H., Berto P. Tutorial: Coherent Raman light matter interaction processes //Apl Photonics. - 2018. - Т. 3. - №. 9. - С. 091101.

87. Sharma B. et al. SERS: Materials, applications, and the future //Materials today. - 2012. - Т. 15. - №. 1-2. - С. 16-25.

88. Kumar N. et al. Tip-enhanced Raman spectroscopy: principles and applications //EPJ Techniques and Instrumentation. - 2015. - Т. 2. - №. 1. - С. 9.

89*. Bratchenko, I. Raman Spectroscopy Techniques for Skin Cancer Detection and Diagnosis / I. A. Bratchenko, D. N. Artemyev, Y. A. Khristoforova, L.A. Bratchenko, et al // Multimodal Optical Diagnostics of Cancer; V. V. Tuchin, J. Popp, V. Zakharov (eds.). - Switzerland: Springer, 2020. - P. 361-395. - ISBN 978-3-030- 44593-5.

90*. Шамина Л.А., Захаров В.П., Тупикова Е.Н., Братченко И.А., Платонов В.И. Измерительная камера микросистемы оптического анализа биожидкости. Патент No189240 получен 27.05.2019

91. Mosier-Boss P. A. Review of SERS substrates for chemical sensing //Nanomaterials. - 2017. - Т. 7. - №. 6. - С. 142.

92. Zrimsek A. B., Wong N. L., Van Duyne R. P. Single molecule surface-enhanced Raman spectroscopy: a critical analysis of the bianalyte versus isotopologue proof //The Journal of Physical Chemistry C. - 2016. - Т. 120. - №. 9. - С. 5133-5142.

93. Li Y. et al. Proximity-dependent isothermal cycle amplification for small-molecule detection based on surface enhanced Raman scattering //Biosensors and Bioelectronics. - 2014. - Т. 51. - С. 304-309.

94. Le Ru E. C. et al. Advanced aspects of electromagnetic SERS enhancement factors at a hot spot //Journal of Raman Spectroscopy: An International Journal for Original Work in all Aspects of Raman Spectroscopy, Including Higher Order Processes, and also Brillouin and Rayleigh Scattering. - 2008. - Т. 39. - №. 9. - С. 1127-1134.

95. Ember K. J. I. et al. Raman spectroscopy and regenerative medicine: a review //NPJ Regenerative medicine. - 2017. - Т. 2. - №. 1. - С. 1-10.

96. Neddersen J., Chumanov G., Cotton T. M. Laser ablation of metals: a new method for preparing SERS active colloids //Applied Spectroscopy. - 1993. -Т. 47. - №. 12. - С. 1959-1964.

97. Шлюкер С. Поверхностно-усиленная рамановская спектроскопия (SERS): аналитические, биофизические и биомедицинские приложения //С. Шлюкера. М.: ТЕХНОСФЕРА. - 2017.

98. Agnihotri S., Mukherji S., Mukherji S. Size-controlled silver nanoparticles synthesized over the range 5-100 nm using the same protocol and their antibacterial efficacy //Rsc Advances. - 2014. - Т. 4. - №. 8. - С. 3974-3983.

99. Amirjani A., Firouzi F., Haghshenas D. F. Predicting the size of silver nanoparticles from their optical properties //Plasmonics. - 2020. - Т. 15. - №. 4. -С. 1077-1082.

100. Pérez-Jiménez A. I. et al. Surface-enhanced Raman spectroscopy: benefits, trade-offs and future developments //Chemical science. - 2020. - Т. 11. -№. 18. - С. 4563-4577.

101. Natan M. J. Concluding remarks surface enhanced Raman scattering //Faraday Discussions. - 2006. - Т. 132. - С. 321-328.

102. Zong C. et al. Surface-enhanced Raman spectroscopy for bioanalysis: reliability and challenges //Chemical reviews. - 2018. - Т. 118. - №. 10. - С. 49464980.

103. Kerker M. et al. Surface enhanced Raman scattering (SERS) of citrate ion adsorbed on colloidal silver //Applied optics. - 1980. - Т. 19. - №. 19. - С. 3253-3255.

104. Garg P., Dhara S. Single molecule detection using SERS study in PVP functionalized Ag nanoparticles //AIP Conference Proceedings. - American Institute of Physics, 2013. - Т. 1512. - №. 1. - С. 206-207.

105. Matikainen A. et al. Atmospheric oxidation and carbon contamination of silver and its effect on surface-enhanced Raman spectroscopy (SERS) //Scientific reports. - 2016. - Т. 6. - №. 1. - С. 1-6.

106. Lin K. Q. et al. Plasmonic photoluminescence for recovering native chemical information from surface-enhanced Raman scattering //Nature communications. - 2017. - Т. 8. - №. 1. - С. 1-9.

107. Xi W., Shrestha B. K., Haes A. J. Promoting intra-and intermolecular interactions in surface-enhanced Raman scattering //Analytical chemistry. - 2017. -Т. 90. - №. 1.

108. Wrzosek B., Kitahama Y., Ozaki Y. SERS Blinking on Anisotropic Nanoparticles //The Journal of Physical Chemistry C. - 2020. - Т. 124. - №. 37. -С. 20328-20339.

109. Scott B. L., Carron K. T. Dynamic surface enhanced Raman spectroscopy (SERS): extracting SERS from normal Raman scattering //Analytical chemistry. - 2012. - Т. 84. - №. 20. - С. 8448-8451.

110. Kim D. J. et al. SERS-Active-Charged Microgels for Size-and Charge-Selective Molecular Analysis of Complex Biological Samples //Small. - 2018. - T. 14. - №. 40. - C. 1802520.

111. Smulko J., Wrobel M. S., Barman I. Noise in biological Raman spectroscopy //2015 International Conference on Noise and Fluctuations (ICNF). -IEEE, 2015. - C. 1-6.

112. Smulko J. M. et al. Anatomy of noise in quantitative biological Raman spectroscopy //Bioanalysis. - 2014. - T. 6. - №. 3. - C. 411-421.

113. Saltonstall C. B. et al. Uncertainty in linewidth quantification of overlapping Raman bands //Review of Scientific Instruments. - 2019. - T. 90. - №. 1. - C. 013111.

114*. Bratchenko, I. A. Use of Raman spectroscopy to screen diabetes mellitus with machine learning tools: comment [Text] / I.A. Bratchenko, D.N.Artemyev, Y.A. Khristoforova, L.A. Bratchenko // Biomedical Optics Express. - 2019. - Vol. 10. - No. 9. - P. 4489-4491.

115. Lenzi E. et al. Multivariate analysis of mean Raman spectra of erythrocytes for a fast analysis of the biochemical signature of ageing //Talanta. -2021. - T. 221. - C. 121442.

116. Pichardo-Molina J. L. et al. Raman spectroscopy and multivariate analysis of serum samples from breast cancer patients //Lasers in medical science. -2007. - T. 22. - №. 4. - C. 229-236.

117. Martyna A. et al. Improving discrimination of Raman spectra by optimising preprocessing strategies on the basis of the ability to refine the relationship between variance components //Chemometrics and Intelligent Laboratory Systems. - 2020. - T. 202. - C. 104029.

118. Engel J., Gerretzen J. E. Szyma nska, JJ Jansen, G. Downey, L. Blanchet, LMC Buydens, Breaking with trends in pre-processing //TrAC Trends Anal. Chem. - 2013. - T. 50. - C. 96-106.

119. Schlemmer M. R. et al. Remotely measuring chlorophyll content in corn leaves with differing nitrogen levels and relative water content. - 2005.

120. Xi Y. et al. A novel pre-processing algorithm based on the wavelet transform for Raman spectrum //Applied spectroscopy. - 2018. - T. 72. - №. 12. -C. 1752-1763.

121. Bussian B. M., Hardle W. Robust smoothing applied to white noise and single outlier contaminated Raman spectra //Applied spectroscopy. - 1984. - T. 38. - №. 3. - C. 309-313.

122. Gautam R. et al. Review of multidimensional data processing approaches for Raman and infrared spectroscopy //EPJ Techniques and Instrumentation. - 2015. - T. 2. - №. 1. - C. 1-38.

123. Barnes R. J., Dhanoa M. S., Lister S. J. The influence of data preprocessing in the pattern recognition of excipients near-infrared spectra //Appl Spectrosc. - 1989. - T. 43. - C. 772-777.

124. He S. et al. Du C. Baseline correction for Raman spectra using an improved asymmetric least squares method. Anal //Methods. - 2014. - T. 6. - C. 4402-4407.

125. Huzortey A. A., Anderson B., Owusu A. Raman spectra recovery using a second derivative technique and range independent baseline correction algorithm //OSA Continuum. - 2021. - T. 4. - №. 9. - C. 2468-2480.

126. Ryabchykov O., Guo S., Bocklitz T. Analyzing Raman spectroscopic data //Physical Sciences Reviews. - 2019. - T. 4. - №. 2.

127. Guo Q., Wu W., Massart D. L. The robust normal variate transform for pattern recognition with near-infrared data //Analytica chimica acta. - 1999. - T. 382. - №. 1-2. - C. 87-103.

128. Parnell J. R., Yager P. Application of multiplicative signal correction (MSC) to Raman spectra for use in an anesthetic sensor //Advances in Fluorescence Sensing Technology II. - SPIE, 1995. - T. 2388. - C. 481-492.

129. Dieterle F. et al. Probabilistic quotient normalization as robust method to account for dilution of complex biological mixtures. Application in 1H NMR metabonomics //Analytical chemistry. - 2006. - T. 78. - №. 13. - C. 4281-4290.

130. Lavine B. K. et al. Raman spectroscopy and genetic algorithms for the classification of wood types //Applied Spectroscopy. - 2001. - Т. 55. - №. 8. - С. 960-966.

131. McCreery R. L. Raman spectroscopy for chemical analysis. - John Wiley & Sons, 2005.

132. McLaughlin G. et al. Universal detection of body fluid traces in situ with Raman hyperspectroscopy for forensic purposes: Evaluation of a new detection algorithm (HAMAND) using semen samples //Journal of Raman Spectroscopy. -2019. - Т. 50. - №. 8. - С. 1147-1153.

133. 6. Винокуров, В.О. Нейросетевой классификатор гиперспектральных снимков кожных патологий / В.О. Винокуров, И.А. Матвеева, Ю.А. Христофорова, О.О. Мякинин, И.А. Братченко, Л.А. Братченко, А.А. Морятов, С.Г. Козлов, А.С. Мачихин, И. Абдулхалим, В.П. Захаров // Компьютерная оптика. - 2021. - Т. 45, № 6. - С. 879-886.

134. Wang P. et al. Discrimination of blood species using Raman spectroscopy combined with a recurrent neural network //OSA Continuum. - 2021. - Т. 4. - №. 2. - С. 672-687.

135. He X. et al. Raman spectroscopy coupled with principal component analysis to quantitatively analyze four crystallographic phases of explosive CL-20 //RSC advances. - 2018. - Т. 8. - №. 41. - С. 23348-23352.

136. Ilie A. G. et al. Principal component analysis of Raman spectra for TiO2 nanoparticle characterization //Applied Surface Science. - 2017. - Т. 417. - С. 93103.

137. Kniggendorf A. K., Gaul T. W., Meinhardt-Wollweber M. Hierarchical cluster analysis (HCA) of microorganisms: an assessment of algorithms for resonance Raman spectra //Applied Spectroscopy. - 2011. - Т. 65. - №2. 2. - С. 165173.

138. Li X. et al. Detecting esophageal cancer using surface-enhanced Raman spectroscopy (SERS) of serum coupled with hierarchical cluster analysis and

principal component analysis //Applied spectroscopy. - 2015. - T. 69. - №. 11. - C. 1334-1341.

139. Sun Y. et al. K-means clustering of coherent Raman spectra from extracellular vesicles visualized by label-free multiphoton imaging //Optics letters.

- 2020. - T. 45. - №. 13. - C. 3613-3616.

140. Prats-Mateu B. et al. Multivariate unmixing approaches on Raman images of plant cell walls: new insights or overinterpretation of results? //Plant methods. - 2018. - T. 14. - №. 1. - C. 1-20.

141. Krishna H. et al. Anatomical variability of in vivo Raman spectra of normal oral cavity and its effect on oral tissue classification //Biomedical Spectroscopy and Imaging. - 2013. - T. 2. - №. 3. - C. 199-217.

142. Othman N. H. et al. Linear discriminant analysis for detection of salivary NS1 from SERS spectra //TENCON 2017-2017 IEEE Region 10 Conference. - IEEE, 2017. - C. 2876-2879.

143. Farkas A. et al. Comparison of multivariate linear regression methods in micro-Raman spectrometric quantitative characterization //Journal of Raman Spectroscopy. - 2015. - T. 46. - №. 6. - C. 566-576.

144. Osmani A. et al. Principal component regression for forensic age determination using the Raman spectra of teeth //Applied Spectroscopy. - 2020. -T. 74. - №. 12. - C. 1473-1485.

145. Feng Y. et al. Raman-infrared spectral fusion combined with partial least squares (PLS) for quantitative analysis of polycyclic aromatic hydrocarbons in soil //Analytical Methods. - 2020. - T. 12. - №. 9. - C. 1203-1211.

146. Bredacs M. et al. Prediction of polyethylene density from FTIR and Raman spectroscopy using multivariate data analysis //Polymer Testing. - 2021. -T. 104. - C. 107406.

147. Potcoava M. C. et al. Lipid profiling using Raman and a modified support vector machine algorithm //Journal of Raman Spectroscopy. - 2021. - T. 52.

- №. 11. - C. 1910-1922.

148. Teh S. K. et al. Diagnosis of gastric cancer using near-infrared Raman spectroscopy and classification and regression tree techniques //Journal of biomedical optics. - 2008. - T. 13. - №. 3. - C. 034013.

149. Barman I. et al. Application of Raman spectroscopy to identify microcalcifications and underlying breast lesions at stereotactic core needle biopsy //Cancer research. - 2013. - T. 73. - №. 11. - C. 3206-3215.

150. Chen C. et al. Rapid diagnosis of lung cancer and glioma based on serum Raman spectroscopy combined with deep learning //Journal of Raman Spectroscopy. - 2021. - T. 52. - №. 11. - C. 1798-1809.

151. Yu S. et al. Analysis of Raman Spectra by Using Deep Learning Methods in the Identification of Marine Pathogens //Analytical Chemistry. - 2021. - T. 93. - №. 32. - C. 11089-11098.

152. Hu J. et al. Raman spectrum classification based on transfer learning by a convolutional neural network: Application to pesticide detection //Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. - 2022. - T. 265. - C. 120366.

153. Yan H. et al. Diverse region-based CNN for tongue squamous cell carcinoma classification with raman spectroscopy //IEEE Access. - 2020. - T. 8. -C. 127313-127328.

154. GuestrinC R. M. T. S. S. Why should I trust you? //Explaining the predictions of any classifier. Paper presented at: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. -2016.

155*. Al-Sammarraie, S. Silver Nanoparticles-Based Substrate for Blood Serum Analysis under 785 nm Laser Excitation [Text] / S.Z. Al-Sammarraie, L.A. Bratchenko, E.N. Typikova, P.A. Lebedev, V.P. Zakharov, I.A. Bratchenko // Journal of Biomedical Photonics & Engineering. - 2022.

156. Almehmadi L. M. et al. Surface enhanced Raman spectroscopy for single molecule protein detection //Scientific reports. - 2019. - T. 9. - №. 1. - C. 19.

157. Popa C., Petrus M., Bratu A. M. Ammonia and ethylene biomarkers in the respiration of the people with schizophrenia using photoacoustic spectroscopy //Journal of Biomedical Optics. - 2015. - T. 20. - №. 5. - C. 057006.

158. Feng S. et al. Assessment of treatment efficacy using surface-enhanced Raman spectroscopy analysis of urine in rats with kidney transplantation or kidney disease //Clinical and Experimental Nephrology. - 2019. - T. 23. - №. 7. - C. 880889.

159. Hasegawa T. et al. Prediction of blood test values under different lifestyle scenarios using time-series electronic health record //PloS one. - 2020. - T. 15. - №. 3. - C. e0230172.

160. Silva D. et al. A whole blood assay as a simple, broad assessment of cytokines and chemokines to evaluate human immune responses to Mycobacterium tuberculosis antigens //Acta tropica. - 2013. - T. 127. - №. 2. - C. 75-81.

161. Kalinich M., Haber D. A. Cancer detection: Seeking signals in blood //Science. - 2018. - T. 359. - №. 6378. - C. 866-867.

162. Basten G. Blood results in clinical practice: a practical guide to interpreting blood test results. - M&K Update Ltd, 2019.

163. Kinnunen M. et al. Effect of the size and shape of a red blood cell on elastic light scattering properties at the single-cell level //Biomedical optics express.

- 2011. - T. 2. - №. 7. - C. 1803-1814.

164. Li B. et al. Three-dimensional fluorescence spectra of human blood //ICO20: Biomedical Optics. - SPIE, 2006. - T. 6026. - C. 356-361.

165. Gauglitz G., Vo-Dinh T. Handbook of Spectroscopy, Volume 1. Copyright WILEY. - 2003.

166. Devine T. M., Adar F. Raman spectroscopy of solids //Characterization of Materials. - 2002. - C. 1-38.

167. Paramelle D. et al. A rapid method to estimate the concentration of citrate capped silver nanoparticles from UV-visible light spectra //Analyst. - 2014.

- T. 139. - №. 19. - C. 4855-4861.

168. Hlaing M. et al. Absorption and scattering cross-section extinction values of silver nanoparticles //Optical Materials. - 2016. - Т. 58. - С. 439-444.

169. Sikder M. et al. A rapid approach for measuring silver nanoparticle concentration and dissolution in seawater by UV-Vis //Science of the total environment. - 2018. - Т. 618. - С. 597-607.

170. Ashkarran A. A., Bayat A. Surface plasmon resonance of metal nanostructures as a complementary technique for microscopic size measurement //International Nano Letters. - 2013. - Т. 3. - №. 1. - С. 1-10.

171*. Bratchenko, L. A. Comparative study of multivariative analysis methods of blood Raman spectra classification [Text] / L.A. Bratchenko, I.A. Bratchenko, A.A. Lykina, M.V. Komarova, D.N. Artemyev, O.O. Myakinin, A.A. Moryatov, I.L. Davydkin, S.V. Kozlov, V.P. Zakharov // Journal of Raman Spectroscopy. - 2020. - Vol. 51, No. 2. - P. 279-292.

172. Zhao J. et al. Automated autofluorescence background subtraction algorithm for biomedical Raman spectroscopy //Applied spectroscopy. - 2007. - Т. 61. - №. 11. - С. 1225-1232.

173*. Bratchenko, L. A. Raman spectroscopy of human skin for kidney failure detection [Text] / L.A. Bratchenko, I.A. Bratchenko, Y.A. Khristoforova, D.N. Artemyev, D.Y. Konovalova, P.A. Lebedev, V.P. Zakharov // Journal of Biophotonics. - 2021. - Vol. 14, No. 2. - P. e202000360.

174 Atkins C. G. et al. Raman spectroscopy of blood and blood components //Applied spectroscopy. - 2017. - Т. 71. - №. 5. - С. 767-793.

175 Premasiri W. R., Lee J. C., Ziegler L. D. Surface enhanced Raman spectroscopy study of whole human blood, blood plasma and red blood cells: New opportunities for bioanalytical sensing //J. Phys. Chem. B. - 2012. - Т. 116. - С. 9376-9386.

176 Wang J. et al. Label-free detection of serum proteins using surface-enhanced Raman spectroscopy for colorectal cancer screening //Journal of biomedical optics. - 2014. - Т. 19. - №. 8. - С. 087003.

177 Ulger §. et al. Incidence of hypothyroidism after radiotherapy for nasopharyngeal carcinoma //Medical Oncology. - 2007. - T. 24. - №. 1. - C. 91-94.

178 De Leoz M. L. A. et al. High-mannose glycans are elevated during breast cancer progression //Molecular & Cellular Proteomics. - 2011. - T. 10. - №. 1.

179 Czamara K. et al. Raman spectroscopy of lipids: a review //Journal of Raman Spectroscopy. - 2015. - T. 46. - №. 1. - C. 4-20.

180 Lin X. et al. Blood lipids profile and lung cancer risk in a meta-analysis of prospective cohort studies //Journal of clinical lipidology. - 2017. - T. 11. - №. 4. - C. 1073-1081.

181 Bani I. A. et al. Plasma lipids and prolactin in patients with breast cancer //British journal of cancer. - 1986. - T. 54. - №. 3. - C. 439-446.

182 Scatena R. (ed.). Advances in Cancer Biomarkers: From biochemistry to clinic for a critical revision. - Springer, 2015. - T. 867.

183 Dwyer K., Holte R. Decision tree instability and active learning //European conference on machine learning. - Springer, Berlin, Heidelberg, 2007. -C. 128-139.

184 Surmacki J. M. et al. Raman micro-spectroscopy for accurate identification of primary human bronchial epithelial cells //Scientific reports. - 2018.

- T. 8. - №. 1. - C. 1-11.

185 Liu W. et al. Raman spectroscopy in colorectal cancer diagnostics: Comparison of PCA-LDA and PLS-DA models //Journal of Spectroscopy. - 2016.

- T.2016.

186 Muratore M. Raman spectroscopy and partial least squares analysis in discrimination of peripheral cells affected by Huntington's disease //Analytica chimica acta. - 2013. - T. 793. - C. 1-10.

187 Chen G. et al. Identification of different tumor states in nasopharyngeal cancer using surface-enhanced Raman spectroscopy combined with Lasso-PLS-DA algorithm //RSC advances. - 2016. - T. 6. - №. 10. - C. 7760-7764.

188 Subaihi A. et al. Rapid, accurate, and quantitative detection of propranolol in multiple human biofluids via surface-enhanced Raman scattering //Analytical chemistry. - 2016. - T. 88. - №. 22. - C. 10884-10892.

189 Subaihi A. et al. Rapid, accurate, and quantitative detection of propranolol in multiple human biofluids via surface-enhanced Raman scattering //Analytical chemistry. - 2016. - T. 88. - №. 22. - C. 10884-10892.

190 Witkowska E. et al. Detection and identification of human fungal pathogens using surface-enhanced Raman spectroscopy and principal component analysis //Analytical Methods. - 2016. - T. 8. - №. 48. - C. 8427-8434.

191 Liao Q. et al. Surface-enhanced Raman scattering and DFT computational studies of a cyanuric chloride derivative //Vibrational spectroscopy.

- 2007. - T. 44. - №. 2. - C. 351-356.

192 Ma H. et al. Frequency shifts in surface-enhanced Raman spectroscopy-based immunoassays: mechanistic insights and application in protein carbonylation detection //Analytical chemistry. - 2019. - T. 91. - №. 15. - C. 9376-9381.

193 Liu X. et al. Highly uniform and reproducible surface enhanced Raman scattering on air-stable metallic glassy nanowire array //Scientific reports. - 2014. -T. 4. - №. 1. - C. 1-7.

194 Jin H. et al. Research on measurement conditions for obtaining significant, stable, and repeatable SERS signal of human blood serum //IEEE Photonics Journal. - 2017. - T. 9. - №. 2. - C. 1-10.

195 Vargas-Obieta E. et al. Breast cancer detection based on serum sample surface enhanced Raman spectroscopy //Lasers in medical science. - 2016. - T. 31.

- №. 7. - C. 1317-1324.

196 Wang H. et al. Quantitative analysis of creatinine in urine by metalized nanostructured parylene //Journal of biomedical optics. - 2010. - T. 15. - №. 2. - C. 027004.

197 Wang Z. et al. Detection of IL-8 in human serum using surface-enhanced Raman scattering coupled with highly-branched gold nanoparticles and

gold nanocages //New Journal of Chemistry. - 2019. - T. 43. - №. 4. - C. 17331742.

198 Ma D. et al. Classifying breast cancer tissue by Raman spectroscopy with one-dimensional convolutional neural network //Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. - 2021. - T. 256. - C. 119732.

199 Zhang L., Ding X., Hou R. Classification modeling method for near-infrared spectroscopy of tobacco based on multimodal convolution neural networks //Journal of Analytical Methods in Chemistry. - 2020. - T. 2020.

200 Zong M. et al. Comparison of surface-enhanced Raman scattering properties of serum and urine for the detection of chronic kidney disease in patients //Applied spectroscopy. - 2021. - T. 75. - №. 4. - C. 412-421.

201 Guo J. et al. Diagnosis of chronic kidney diseases based on surface-enhanced Raman spectroscopy and multivariate analysis //Laser Physics. - 2018. -T. 28. - №. 7. - C. 075603.

202 Refaeilzadeh C. Encycl //Database Syst. - №. 5. - C. 532.

203 Kucheryavskiy S. mdatools-R package for chemometrics //Chemometrics and Intelligent Laboratory Systems. - 2020. - T. 198. - C. 103937.

204 Bratchenko, L. A. In vivo diagnosis of skin cancer with a portable Raman spectroscopic device [Text] / I.A. Bratchenko, L.A. Bratchenko, A.A. Moryatov, Y.A. Khristoforova, D.N. Artemyev, O.O. Myakinin, A.E. Orlov, S.V. Kozlov, V.P. Zakharov // Experimental Dermatology. - 2021. - Vol. 30, No. 5. - P. 652-663.

205 De Jong S. SIMPLS: an alternative approach squares regression to partial least //Chemom. Intell. Lab. Syst. - 1993. - T. 18. - C. 2-263.

206 Kvalheim O. M. et al. Variable importance in latent variable regression models //Journal of Chemometrics. - 2014. - T. 28. - №. 8. - C. 615-622.

207 Hedegaard M. A. B. et al. Model based variable selection as a tool to highlight biological differences in Raman spectra of cells //Analyst. - 2014. - T. 139. - №. 18. - C. 4629-4633.

208 Tang J. W. et al. Comparative Analysis of Machine Learning Algorithms on Surface Enhanced Raman Spectra of Clinical Staphylococcus Species //Frontiers in Microbiology. - 2021. - T. 12.

209 He K. et al. Deep residual learning for image recognition //Proceedings of the IEEE conference on computer vision and pattern recognition. - 2016. - C. 770-778.

210 Falbel D., Allaire J. J., Chollet F. RStudio, Google, Yuan Tang, Wouter Van Der Bijl, Martin Studer, and Sigrid Keydana //Package'Keras'. Version 2.3.0.0. - 2020..

211 Greenwell B. M., Boehmke B. C., Gray B. Variable Importance Plots-An Introduction to the vip Package //R J. - 2020. - T. 12. - №. 1. - C. 343..

212 Date Y., Kikuchi J. Application of a deep neural network to metabolomics studies and its performance in determining important variables //Analytical chemistry. - 2018. - T. 90. - №. 3. - C. 1805-1810.

213 McGovern A. R. Lagerquist, DJ Gagne, GE Jergensen, KL Elmore, CR Homeyer, and T. Smith, 2019: Making the black box more transparent: Understanding the physical implications of machine learning //Bull. Amer. Meteor. Soc. - T. 100. - C. 2175-2199.

214 Yang J. B. et al. Feature selection for MLP neural network: The use of random permutation of probabilistic outputs //IEEE Transactions on Neural Networks. - 2009. - T. 20. - №. 12. - C. 1911-1922.

215*. Bratchenko, L. A. Classification of skin cancer using convolutional neural networks analysis of Raman spectra [Text] / I.A. Bratchenko, L.A. Bratchenko, Y.A. Khristoforova, A.A. Moryatov, S.V.Kozlov, V.P. Zakharov // Computer Methods and Programs in Biomedicine. - 2022. - Vol. 219. - P. 106755.

216*. Bratchenko, L. A. Analyzing the serum of hemodialysis patients with end-stage chronic kidney disease by means of the combination of SERS and machine learning [Text] / L. A. Bratchenko, S. Al-Sammarraie, E. N. Tupikova, D.Y. Konovalova, P. A. Lebedev, V. P. Zakharov, I. A. Bratchenko // Biomedical Optics Express. - 2022.

217. Stone N. et al. Raman spectroscopy for identification of epithelial cancers //Faraday discussions. - 2004. - T. 126. - C. 141-157.

218. Wang J. et al. Raman spectroscopic study of cervical precancerous lesions and cervical cancer //Lasers in Medical Science. - 2021. - T. 36. - №. 9. -C. 1855-1864.

219. Feng S. et al. Gastric cancer detection based on blood plasma surface-enhanced Raman spectroscopy excited by polarized laser light //Biosensors and Bioelectronics. - 2011. - T. 26. - №. 7. - C. 3167-3174.

220. De Gelder J. De Gussem, K. Vandenabeele, and Moens //Journal Raman spectroscopy. - 2007. - T. 38. - C. 1133-1147.

221. Cheng W. T. et al. Micro-Raman spectroscopy used to identify and grade human skin pilomatrixoma //Microscopy research and technique. - 2005. - T. 68. - №. 2. - C. 75-79.

222. Lau D. P. et al. Raman spectroscopy for optical diagnosis in the larynx: preliminary findings //Lasers in Surgery and Medicine: The Official Journal of the American Society for Laser Medicine and Surgery. - 2005. - T. 37. - №. 3. - C. 192-200.

223. Movasaghi Z., Rehman S., Rehman I. U. Raman spectroscopy of biological tissues //Applied Spectroscopy Reviews. - 2007. - T. 42. - №. 5. - C. 493-541.

224. Cao X. et al. Label-free detection of human serum using surface-enhanced raman spectroscopy based on highly branched gold nanoparticle substrates for discrimination of non-small cell lung cancer //Journal of Chemistry. - 2018. - T. 2018.

225. Ryzhikova E. et al. Multivariate statistical analysis of surface enhanced Raman spectra of human serum for Alzheimer's disease diagnosis //Applied Sciences. - 2019. - T. 9. - №. 16. - C. 3256.

226. Bonifacio A. et al. Surface-enhanced Raman spectroscopy of blood plasma and serum using Ag and Au nanoparticles: a systematic study //Analytical and Bioanalytical Chemistry. - 2014. - T. 406. - №. 9. - C. 2355-2365.

227. Salazar J. H. Overview of urea and creatinine //Laboratory Medicine. -2014. - T. 45. - №. 1. - C. e19-e20.

228. Pandya D., Nagrajappa A. K., Ravi K. S. Assessment and correlation of urea and creatinine levels in saliva and serum of patients with chronic kidney disease, diabetes and hypertension-a research study //Journal of clinical and diagnostic research: JCDR. - 2016. - T. 10. - №. 10. - C. ZC58.

229. Saatkamp C. J. et al. Quantifying creatinine and urea in human urine through Raman spectroscopy aiming at diagnosis of kidney disease //Journal of biomedical optics. - 2016. - T. 21. - №. 3. - C. 037001.

230. Lu Y. et al. Superhydrophobic silver film as a SERS substrate for the detection of uric acid and creatinine //Biomedical Optics Express. - 2018. - T. 9. -№. 10. - C. 4988-4997.

231. Moreira L. P. et al. Raman spectroscopy applied to identify metabolites in urine of physically active subjects //Journal of Photochemistry and Photobiology B: Biology. - 2017. - T. 176. - C. 92-99.