无标签检测杜氏肌力发育不良患者的尿液细胞外囊,使用表面增强拉曼光谱与机器学习模型相结合
Archana Rajavel1, Jayasree Kumar2, Narayanan Essakipillai3
1Membrane Protein Interaction Laboratory, Department of Genetic Engineering, School of Bioengineering, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu 603 203, Tamil Nadu, India.
ACS omega
|May 5, 2025
概括
表面增强的拉曼光谱 (SERS) 和机器学习可以在尿液中非侵入性地检测杜申肌力发育不良 (DMD). 这种方法可以识别独特的分子特征,用于早期诊断和监测DMD进展.
科学领域:
- 生物化学 生物化学
- 纳米技术纳米技术
- 医学诊断 医学诊断 医学诊断
背景情况:
- 杜申肌肉发育不良 (DMD) 是一种影响男性的儿科神经肌肉疾病.
- 目前对DMD的预后方法往往是侵入性的,昂贵的,或缺乏有效性.
- 对于监测DMD进展的非侵入性,具有成本效益的工具有着至关重要的需求.
研究的目的:
- 调查DMD患者尿液中的细胞外囊泡 (EV) 与健康对照组相比显示出不同的生化特征.
- 评估表面增强拉曼光谱 (SERS) 与机器学习相结合的疗效,以区分DMD患者.
- 建立一个非侵入性诊断工具,用于早期检测,分期和监测DMD.
主要方法:
- 从52名DMD患者和17名健康对照人群收集了尿液样本.
- 从尿液中分离出细胞外囊泡 (EVs),使用全外体隔离套件.
- 使用银纳米颗粒的SERS被用来捕获EV的分子指纹,然后用PCA,SVM和KNN机器学习算法进行分析.
主要成果:
- 在来自DMD患者的EV中观察到明显的生物化学差异,包括氨酸和α-螺旋蛋白的改变.
- 综合SERS和KNN方法在区分DMD患者和对照者方面实现了60%的灵敏度和100%的特异性.
- 频谱数据分析揭示了DMD的明显标志性模式,使潜在的分期成为可能.
结论:
- 与机器学习相结合的SERS提供了一种非侵入性,快速和准确的方法来诊断和监测杜申肌肉衰竭.
- 这种方法对早期检测和DMD个性化治疗策略具有重大潜力.
- 这些发现为通过先进的诊断能力改善患者的治疗结果和生活质量铺平了道路.
