AC.基于机器学习的外来体无标签SERS分析用于癌症的精确模糊诊断和药物治疗过程的动态监测

以下文章来源于分析化学方法 ，作者科研小组

全文简介

外来体是细胞分泌的一类细胞外囊泡，可作为有前途的无创生物标志物用于疾病特别是癌症的早期诊断和治疗。然而，由于外来体的异质性，准确可靠地从临床样本中区分外来体仍然是一个巨大的挑战。在此，我们通过基于机器学习的无标记表面增强拉曼光谱(SERS)，通过使用富含“热点”的3D等离子体AuNPs纳米膜作为底物，实现了对人血清样本中外来体的准确模糊区分，以准确诊断乳腺癌和宫颈癌。由于一些弱的可区分的SERS指纹信号的存在以及该方法的高灵敏度，基于机器学习的SERS分析可以精确地识别三种(正常的和癌性的)细胞系，其中两种是不同类型的癌细胞，而不需要生物标记的特定标记。基于机器学习算法的预测准确率对于区分不同细胞系(H8、HeLa和MCF-7细胞衍生的外来体)高达91.1%。用细胞外体SERS光谱训练的模型对临床样本的预测准确率可达93.3%。此外，MCF-7细胞化疗过程的作用机制可以通过动态监测分泌的外来体的SERS图谱来揭示。该方法可用于未来癌症或其他疾病的无创、准确诊断和术后评估。

简介

使用三层等离子体AuNP纳米膜作为3D SERS基板，结合基于机器学习的信号采集和提取，对来自不同细胞系的外切体进行无标签S检测和精确模糊识别示意图.

（a）本工作中使用的单位AuNP的TEM图像。插图显示了AuNP的尺寸分布。（b）用于SERS衬底的三层AuNPs-NM的SEM图像。插图显示了三层堆叠AuNPs-NMs的侧视SEM图像。（c和d）在FTDT激发633纳米入射光下，对三层AuNPs-NMs的电磁场增强分布进行理论模拟。

不同层数的AuNPs-NMs上4-MBA(1.0×10-4m)在1074cm-1(b)处的SERS光谱(a)和SERS强度。(c)分别在9 mW/633 nm激光和30 s积分时间下记录落在三层AuNPs-NMs上的4-MBA(1.0×10-4m)和落在裸玻璃上的4-MBA(1.0×10-2m)的SERS光谱。4-MBA在裸玻璃上的拉曼强度被放大了100倍。(d)在室温下储存1、7、15和30天后，从相同的AuNPs-NMs底物记录的4-MBA(1.0×10-4m)的SERS强度。

(a)基于机器学习的SERS检测，用于不同细胞系来源的外来体的分类和预测。(b)从以三层auns-NMs为底物的三种细胞系(H8、MCF-7和HeLa细胞)衍生的外来体收集的平均SERS光谱。(c)分别来自H8细胞(绿色)、HeLa细胞(红色)和MCF-7细胞(橙色)的外来体的SERS信号的PCA-LDA评分图。(d)为预测来源于三种不同细胞系的外来体而开发的LDA模型。(e)用于预测来自三种不同细胞系的外来体的LDA模型的ROC曲线。

（a）从人类血清外切体中收集的平均SERS光谱。（b和c）使用细胞源外切体的SERS光谱训练的LDA模型预测的分数和准确性。

(a)DOX孵育的MCF-7细胞治疗过程示意图。(b和c)在不同浓度(0、1、2、3、4、5和6微摩)的DOX孵育24小时(b)和在不同时间(分别为0、4、8、20、32和44小时)(c)的DOX的3微米孵育后，MCF-7细胞的细胞存活率。(d)和(e)MCF-7细胞衍生的外来体的平均SERS光谱(d)以及在MCF-7细胞与DOX的3个微米在不同时间孵育的治疗过程中在996、1205和1315cm-1(e)处的SERS强度变化。

相关成果以“Machine Learning-Based Label-Free SERS Profiling of Exosomes for Accurate Fuzzy Diagnosis of Cancer and Dynamic Monitoring of Drug Therapeutic Processes”，发表在国际学术期刊“Ananlytical Chemistry”上。

文献链接：https://doi.org/10.1021/acs.analchem.3c00026

转自：“NANO学术”微信公众号

如有侵权，请联系本站删除！