拉曼液体活检:多发性硬化症诊断的新方法
Anna Neupokoeva1, Ivan Bratchenko2, Lyudmila Bratchenko2
1Department of Medical Physics, Mathematics and Computer Science, Samara State Medical University, Samara, Russia.
Frontiers in neurology
|May 1, 2025
概括
一项新的研究表明,表面增强的拉曼光谱和机器学习可以高精度地将多发性硬化症 (MS) 患者与健康人区分开来. 这种非侵入性血液检测提供了一个有希望的,具有成本效益的多发性硬化症诊断工具.
科学领域:
- 生物医学光谱学 生物医学光谱学
- 机器学习在诊断中的应用
- 神经免疫学 神经免疫学
背景情况:
- 多发性硬化症 (MS) 缺乏可靠的诊断生物标志物.
- 目前的多发性硬化诊断方法往往昂贵或缺乏特异性.
- 迫切需要敏感,特定和易于使用的MS诊断工具.
研究的目的:
- 为了研究血清表面增强拉曼光谱 (SERS) 对于MS诊断的有用性.
- 开发一种机器学习模型,使用SERS数据将多发性硬化患者与健康对照患者区分开来.
主要方法:
- 使用表面增强拉曼光谱 (SERS) 分析了血清样本.
- 在拉曼光谱处理中使用隐性结构差异分析 (PLS-DA) 的投影.
- 机器学习被用来将个人分类为MS或健康.
主要成果:
- 基于SERS的方法实现了0.96的平均特异性和0.89.89的平均灵敏度.
- 关键拉曼波段 (632,721-735,1048-1076厘米−1) 被确定为MS患者和健康个体之间的歧视.
- 该研究表明了SERS在MS诊断中的潜力.
结论:
- 血清SERS与机器学习相结合,显示出作为多发性硬化症诊断方法的前景.
- 这种方法提供了一个潜在的特定,敏感和可访问的诊断策略.
- 需要进一步的全面研究来验证和完善这种诊断技术.
更多相关视频
10:35A Blood-based Test for the Detection of ROS1 and RET Fusion Transcripts from Circulating Ribonucleic Acid Using Digital Polymerase Chain Reaction
Published on: April 5, 2018
10.3K
08:40Positron Emission Tomography Imaging for In Vivo Measuring of Myelin Content in the Lysolecithin Rat Model of Multiple Sclerosis
Published on: February 28, 2021
4.0K
