深度学习增强拉曼光谱分析在儿童与成人胶质母细胞瘤干细胞谱系鉴别中的突破性研究

《Frontiers in Oncology》：Spectral discrimination of pediatric SF188 and adult glioblastoma stem cells by deep learning–enhanced Raman profiling

本研究创新性地将共聚焦拉曼光谱与深度学习技术相结合，首次实现对儿童型（SF188）与成人型胶质母细胞瘤（GBM）干细胞的无标记鉴别。通过分析1382组拉曼光谱数据，多层感知器（MLP）神经网络在独立测试集上达到83.6%的准确率（ROC AUC=0.855），尤其对儿童表型识别灵敏度达91.4%。研究揭示了两类肿瘤在核酸（DNA/RNA磷酸骨架振动）、蛋白质（酰胺I/III带）及脂质（CH2扭转振动）等分子层面的显著差异，为神经肿瘤精准诊疗提供了新型光学活检方案。

　　

背景

儿童与成人胶质母细胞瘤（GBM）作为生物学特性迥异的肿瘤实体，其治疗策略需根据年龄特征进行个性化设计。然而，当前临床仍缺乏能够快速、无创区分这两种分子亚型的技术手段。本研究旨在探索共聚焦拉曼光谱结合深度学习技术，基于肿瘤细胞内在生化指纹实现儿童与成人GBM的无标记鉴别。

方法

研究选取6例患者来源的GBM神经球细胞系（包括1例儿童模型SF188和5例成人源细胞系），共采集1382组拉曼光谱。通过多层感知器（MLP）神经网络进行年龄组分类训练，并采用严格留出的外部测试集（20%数据）进行模型验证。光谱数据经基线校正和向量归一化预处理后，通过主成分分析（PCA）降维（保留20个主成分，方差解释度88.75%），最终采用5隐藏层×5神经元的网络架构进行建模。

结果

拉曼光谱分析显示，儿童GBM细胞在核酸相关波段（621 cm^-1、672 cm^-1磷酸骨架振动；781 cm^-1DNA碱基环呼吸）强度显著高于成人组，提示其核酸合成活跃度更高。蛋白质特征区（1001 cm^-1苯丙氨酸、1657 cm^-1酰胺I带）与脂质相关振动（1301 cm^-1CH₂扭转、1745 cm^-1酯羰基拉伸）亦呈现组间差异。成人细胞则表现出代谢辅因子相关峰值的相对富集（1512 cm^-1NADH、1582 cm^-1细胞色素）。深度学习模型在独立测试集上实现83.6%总体准确率，对儿童表型的识别灵敏度达91.4%，特异性为76.3%。

讨论

本研究首次证实拉曼光谱能够捕捉儿童与成人GBM干细胞在分子组成上的系统性差异。儿童细胞中增强的核酸信号可能与其高频TP53突变及基因组不稳定性相关，而成人细胞特有的代谢辅因子峰值则暗示其氧化应激状态的差异。尽管当前研究仅包含单一儿童细胞系（SF188），但光谱特征与已知生物学差异的高度吻合性，为拉曼技术应用于临床分子分型提供了理论依据。未来需通过扩大样本量、结合多组学验证以进一步提升模型的泛化能力。

结论

拉曼光谱增强深度学习技术可有效区分儿童与成人GBM干细胞，其揭示的分子指纹差异为年龄特异性肿瘤生物学研究提供了新视角。该无标记检测策略有望发展成为神经肿瘤术中快速诊断的辅助工具，推动精准医疗在儿科神经肿瘤领域的应用。