从基因型到表型:拉曼光谱学和机器学习用于无标签单细胞分析
Yirui Zhang1, Kai Chang2, Babatunde Ogunlade1
1Department of Materials Science and Engineering, Stanford University, Stanford, California 94305, United States.
ACS nano
|July 1, 2024
概括
表面增强的拉曼光谱学 (SERS) 与机器学习 (ML) 结合,可以对转录组,蛋白质组和代谢组进行可解释的单细胞分析. 这种强大的组合增强了生物传感和临床研究能力.
科学领域:
- 光谱学和分析化学 分析化学
- 生物技术和纳米技术
- 计算生物学和机器学习
背景情况:
- 拉曼光谱在生物传感和临床研究方面显示出前景.
- 目前的局限性阻碍了全面的单细胞分子分析.
- 纳米光子学和机器学习的进步为增强提供了新的途径.
研究的目的:
- 描述表面增强拉曼光谱 (SERS) 和机器学习 (ML) 如何为单细胞分子形状提供可解释的见解.
- 审查促进拉曼散射的纳米光子进步.
- 讨论用于光谱分析和生物解释的ML算法.
主要方法:
- 对增强拉曼散射的纳米光子策略 (等离子学,元材料,元表面) 的审查.
- 讨论用于光谱分析的机器学习方法 (神经网络,扰动/梯度算法,转移学习).
- 单细胞拉曼表型化应用的说明性示例.
主要成果:
- 纳米光子显著增强拉曼散射,用于快速,无标签的光谱学.
- 机器学习算法能够对复杂的光谱数据进行精确和可解释的分析.
- 在细菌抗生素易感性,干细胞分析,癌症诊断和免疫疗法评估方面有明显的应用.
结论:
- 与ML相结合的SERS扩大了单细胞转录组,蛋白质组和代谢组分析的能力.
- 这种整合提供了可解释的生物学见解.
- 未来的前景包括先进的仪器仪表,自动化实验室,数据库和ML驱动的发现.
