机器学习增强的SERS技术检测外泌体表面唾液酸在卵巢癌诊疗中的创新应用

《Advanced Science》：Machine Learning-Enhanced Analysis of Exosomal Surface Sialic Acid Using Surface-Enhanced Raman Spectroscopy for Ovarian Cancer Diagnosis and Therapeutic Monitoring

本研究开发了一种CD63适配体功能化金阵列芯片结合表面增强拉曼散射（SERS）纳米传感器，用于卵巢癌（OC）的精准诊断与治疗监测。该平台通过特异性捕获血清外泌体并检测其表面唾液酸（SA）表达水平，结合机器学习算法分析SERS光谱，实现了93%的诊断准确率。研究证实外泌体SA水平与临床标志物（CA125、HE4）变化相关，为OC液体活检提供了新型无创动态监测工具，在精准医疗领域具有重要应用价值。

　　

1 引言

卵巢癌（OC）作为女性生殖系统死亡率最高的恶性肿瘤，目前主要依赖组织活检进行诊断，但该方法存在肿瘤异质性捕捉不全、无法动态监测以及可能增加转移风险等局限性。液体活检技术通过检测血液等体液中的生物标志物，为癌症早期诊断提供了微创替代方案。外泌体作为携带母细胞分子特征的纳米级细胞外囊泡，其表面唾液酸（SA）作为一种异常糖基化形式，在OC进展中通过形成免疫抑制微环境促进肿瘤发展，成为极具潜力的诊断标志物。

2 结果

2.1 捕获芯片与外泌体的形态学表征

研究团队构建了CD63适配体功能化的硅基金阵列芯片用于血清外泌体分离。扫描电镜（SEM）显示金阵列薄膜单元尺寸均匀（60 μm × 60 μm），表面粗糙度平均值（Ra）为0.25-0.27 nm，证实了薄膜沉积的均匀性。元素映射分析显示捕获颗粒含有外泌体特征性碳（蛋白质/脂质）、氧（蛋白质/多糖）和磷（磷脂双分子层）元素分布，荧光共聚焦显微镜进一步验证了芯片表面CD9和CD63蛋白的存在，表明该芯片能特异性富集结构完整的外泌体。

2.2 理论模拟与实验验证MPBA对SA的响应机制

通过密度泛函理论（DFT）计算发现，SA（Neu5Ac）与4-巯基苯硼酸（MPBA）结合后，MPBA的四个特征峰（765、1107、1374和1646 cm^-1）发生显著位移。实验制备的AgNP@MPBA纳米传感器在1070 cm^-1（B-OH伸缩振动）和1570 cm^-1（苯环C-C伸缩振动）处表现出对SA的特异性响应，其中1070 cm^-1峰强度变化最为显著。选择性实验证实AgNP@MPBA对SA的结合常数显著高于其他单糖（甘露糖、半乳糖、葡萄糖），检测灵敏度达到1.0 × 10^-6mol/L。

2.3 健康个体与卵巢癌患者外泌体SA表达分析

SERS mapping成像显示，健康个体（H）外泌体SA的1070/998 cm^-1和1570/998 cm^-1峰面积比值（分别为4.18和7.24）显著高于OC患者（1.81和2.40），表明OC患者外泌体SA表达明显上调。芯片与纳米传感器结合后稳定性良好，不同金阵列间信号相对标准偏差（RSD）为6.85%，显示出优异的信号一致性。

2.4 机器学习辅助SERS光谱用于OC诊断

比较多种机器学习算法发现，随机森林（RF）模型在测试集中对OC和健康个体的识别率分别达到96.6%和89.4%，总体分类准确率为93%，曲线下面积（AUC）为0.99。特征重要性分析显示1070 cm^-1附近的峰对分类贡献最大，与基于I₁₀₇₀/I₉₉₈比值评估外泌体SA表达的策略高度一致。

2.5 外泌体SA与治疗反应的动态监测关联

纵向监测显示，OC患者术前外泌体SA水平显著高于术后和化疗期。根据化疗两周期内CA125下降程度（>50%）结合HE4变化预测治疗反应，完全缓解（CR）患者外泌体SA水平低于部分缓解（PR）患者。例如患者P6和P7的CA125/HE4在化疗期降至参考范围以下，对应外泌体SA显著降低且差异具有统计学意义，与临床评估的CR结果一致。

3 结论

本研究建立的CD63适配体-SERS平台实现了微升级样本中外泌体的快速捕获与SA检测，通过机器学习算法提升了OC诊断准确性。外泌体SA水平动态变化与治疗反应的相关性为OC精准治疗提供了新的监测指标。

4 实验方法

芯片通过胱胺-Au-S键固定后，利用DTSSP双硫键连接NH₂-CD63适配体。血清样本经PBS稀释后与芯片共孵育3小时，通过SEM和荧光显微镜验证捕获效果。DFT计算采用Gaussian 16软件在B3LYP/6-31++G(d,p)水平进行。机器学习数据预处理包括峰值去除、Savitzky-Golay平滑、airPLS基线校正和998 cm^-1峰归一化。