《Sensing and Bio-Sensing Research》：Surface-enhanced Raman based machine learning for rapid detection of Ang-1, Ang-2, and sTREM-1 sepsis biomarkers
编辑推荐：
本研究针对脓毒症早期诊断工具在时效性和检测能力方面的不足，开发了一种基于表面增强拉曼光谱（SERS）与机器学习（ML）的新型检测方法。研究人员通过构建两种SERS-ML分类模型，成功实现了对Ang-1、Ang-2和sTREM-1生物标志物的快速识别和脓毒症严重程度分级，最高准确率达100%。该技术仅需1-2小时即可完成检测，为脓毒症的早期诊断和精准治疗提供了重要技术支持。
在当今医疗领域，脓毒症始终是威胁人类健康的重大挑战。这种由感染引发的全身性炎症反应，会导致微血管损伤和多器官功能障碍，死亡率极高。然而，现有的临床诊断方法如酶联免疫吸附测定（ELISA）和Luminex检测存在明显局限：它们需要长达3-5小时的孵育时间，样本需求量大，且在低浓度生物标志物检测时分辨率不足。这就导致脓毒症早期阶段往往难以被发现，等到确诊时患者的生存机会已大幅降低。
面对这一严峻挑战，多伦多大学先进纳米技术中心的研究团队独辟蹊径，将表面增强拉曼光谱（SERS）与机器学习（ML）技术相结合，开发出了一套创新的检测方案。他们的研究成果发表在《Sensing and Bio-Sensing Research》上，为脓毒症的早期诊断带来了新的希望。
该研究的核心在于利用三种关键生物标志物——血管生成素-1（Ang-1）、血管生成素-2（Ang-2）和可溶性髓系细胞触发受体-1（sTREM-1）。这些标志物直接参与微血管稳定性的调控，其中Ang-1负责维持血管静息状态，而Ang-2则在损伤、缺氧和感染时释放，对抗Ang-1的作用。sTREM-1作为先天免疫细胞，能够放大对病原体的炎症反应，促进免疫失调和器官功能障碍，这些都是脓毒症的典型特征。
研究人员采用的主要技术方法包括：使用两种不同电场强度的金基底SERS芯片（Type 1：2-4×104V/m，Type 2：2-4×105V/m）；通过混合自组装单层（SAM）技术进行表面功能化，包含硫醇化聚乙二醇（TEG）和生物素化硫醇化聚乙二醇（BAT）；利用链霉亲和素-生物素系统固定生物素化抗体；使用785nm激光的拉曼光谱系统采集数据；结合主成分分析（PCA）等机器学习算法开发分类模型。研究样本为添加不同浓度生物标志物的人血浆样本。
3.1. 功能化过程对SERS光谱的影响
研究人员通过逐层功能化过程详细分析了各步骤对SERS光谱的影响。从金基底开始，到形成BAT/TEG混合自组装单层，再到链霉亲和素固定，最后是生物素化抗体的结合，每个步骤都引入了特定的拉曼特征峰。研究发现，金基底在1200-1400 cm-1区域产生宽带背景信号，而蛋白质的引入带来了明显的酰胺III（β-折叠）和色氨酸等特征峰。通过比较完整功能化与简化流程的光谱，证实了抗原-抗体结合是信号的主要来源。
3.2. 单个生物标志物SERS光谱分析
尽管Ang-1、Ang-2和sTREM-1在结构上存在差异，但它们的SERS光谱表现出高度相似性。这主要是因为SERS增强主要针对蛋白质共有的骨架振动模式，如酰胺I、酰胺III以及芳香族氨基酸的振动。通过t检验和随机森林（RF）特征重要性分析，研究人员发现了各生物标志物的特征区域：Ang-2在380-450 cm-1区域有显著特征峰；sTREM-1在450-470 cm-1等区域有鉴别特征；Ang-1的特征区域主要集中在770-830 cm-1和1180-1220 cm-1。
3.3. 基于PCA的二元模型
研究人员开发了多种二元分类模型，其中Ang-1与Ang-2的分类准确率达到93.94%，Ang-1与sTREM-1为90%，Ang-2与sTREM-1为92.5%。特别值得注意的是，所有生物标志物与正常血浆的区分模型都达到了100%的准确率。PCA分析显示，第一主成分能够解释35.8%-45%的方差，其中400 cm-1和900 cm-1附近的区域对Ang-2的鉴别尤为重要。
3.4. 基底灵活的生物标志物分类模型
该多分类模型在测试集上达到86.24%的整体准确率，其中Ang-2的识别率最高（90%），而正常血浆样本的识别率达到100%。模型在Ang-1和sTREM-1之间存在一定的误判，这与其结构相似性有关。重要的是，模型对新型SERS基底的数据也表现出良好的适应性，在Type 2基底上的sTREM-1样本检测准确率达到100%。
3.5. 脓毒症风险分层模型
基于sTREM-1浓度与脓毒症严重程度的临床关联，研究人员开发了三分类模型：绿色（低风险，<239 pg/mL）、黄色（需监测，239-629 pg/mL）和红色（紧急情况，≥629 pg/mL）。该模型在测试集上达到100%的准确率，即使在加入15%高斯噪声后仍保持完美性能，显示出极强的鲁棒性。
3.6. 样本到结果时间与检测限
与传统方法相比，SERS-ML方法将检测时间缩短至1-2小时，样本量减少到约20μL。虽然目前的分类方法无法直接计算传统意义上的检测限，但基于分类稳定性，sTREM-1的可靠检测浓度可达400 pg/mL，Ang-1为1×106pg/mL。
3.7. 过拟合风险
研究人员承认数据集规模有限可能带来过拟合风险，但通过交叉验证和模型复杂度约束进行了有效控制。他们强调当前结果应视为概念验证，后续需要更大样本量来加强外部有效性。
这项研究的结论部分明确指出，SERS-ML框架的最大优势在于显著缩短了检测时间，同时减少了样本需求。虽然在与传统定量方法的直接比较中，其在检测范围和灵敏度方面仍需进一步优化，但已展现出巨大的临床应用潜力。
研究的创新之处在于成功将SERS技术与机器学习相结合，不仅实现了对脓毒症关键生物标志物的准确识别，还建立了与临床严重程度直接相关的风险分层模型。这种多学科交叉的研究方法为复杂疾病的早期诊断提供了新思路。
特别值得关注的是，该技术对正常样本的完美识别能力（100%准确率）意味着其在临床筛查中具有重要的应用价值，可以有效避免假阳性结果，提高诊断的特异性。同时，模型对不同SERS基底的适应性也为其实际推广应用奠定了基础。
然而，研究也存在一些局限性，如数据集规模相对较小，生物标志物在低浓度区的检测性能仍需提升。未来的研究方向包括扩大样本量、优化基底增强效果、开发回归模型以实现真正的定量检测等。
总体而言，这项研究为脓毒症的早期诊断提供了一种快速、灵敏且准确的新方法，展示了SERS与机器学习结合在临床诊断领域的巨大潜力。随着技术的进一步成熟和完善，这种创新检测策略有望在重症监护、急诊医学等领域发挥重要作用，最终改善脓毒症患者的预后。
