相关实验视频
Updated: May 26, 2025
11:38
An Innovative Method for Exosome Quantification and Size Measurement
Published on: January 17, 2015
30.7K
无标签的外体SERS检测辅助机器学习准确区分细胞周期阶段,并揭示在线索过程中的分子机制
Xingkang Diao1,2, GuoHua Qi1,3, Xinli Li4
1State Key Laboratory of Electroanalytical Chemistry, Changchun Institute of Applied Chemistry, Chinese Academy of Sciences, Changchun 130022, P. R. China.
Analytical chemistry
|February 25, 2025
概括
这项研究引入了一种使用外体表面增强拉曼光谱 (SERS) 和机器学习来准确区分细胞周期阶段的新方法. 这项技术揭示了线粒分裂和癌细胞发育过程中的分子变化.
科学领域:
- 生物标志物发现发现
- 频谱学是一种光谱学.
- 细胞生物学 细胞生物学
背景情况:
- 细胞周期分析对于疾病诊断和治疗至关重要.
- 外体体作为反映细胞状态的非侵入性生物标志物.
- 外体和细胞周期阶段之间的关系需要进一步研究.
研究的目的:
- 开发一种无标签的方法,使用外体SERS区分细胞周期阶段.
- 研究细胞周期进展和线粒体事件背后的分子机制.
- 探索外体SERS在癌症研究和治疗策略中的潜力.
主要方法:
- 使用无标签的表面增强拉曼光谱 (SERS) 来分析外体.
- 应用机器学习算法,包括线性判别分析 (LDA) 和支持向量机 (SVM),用于光谱歧视.
- 与特定细胞周期阶段 (G0/G1,S,G2/M) 相关联的SERS光谱变化.
主要成果:
- 在基于外体SERS光谱的基础上,在区分细胞周期阶段方面达到85%的平均准确性.
- 识别了分子变化,包括在线粒分裂过程中HeLa细胞中的氨 (Phe) 含量增加.
- 揭示了正常 (H8) 和癌细胞 (HeLa) 之间的蛋白质二次结构 (α-螺旋,β-片) 的差异.
结论:
- 外体SERS与机器学习相结合,为细胞周期阶段歧视提供了一个可靠的平台.
- 该方法阐明了线粒分裂过程中的分子事件,并区分正常细胞和癌细胞.
- 这种方法有可能指导癌症细胞循环治疗策略.
