通过纳米粒子增强光阵列和机器学习以血清为基础检测胰腺和卵巢癌
Violeta Morcuende-Ventura1,2, Oscar Sánchez-Gracia3, Natalia Abian-Franco4
1Instituto de Nanociencia y Materiales de Aragón (INMA), CSIC-Universidad de Zaragoza, 50009 Zaragoza, Spain.
Analytical chemistry
|June 23, 2025
概括
这项研究引入了一种基于纳米粒子的光光谱分析试验,用于早期癌症检测. 一些纳米颗粒在区分胰腺管腺癌 (PDAC) 和卵巢癌 (OV) 与健康样本方面表现出高准确性.
科学领域:
- 生物医学工程 生物医学工程
- 纳米技术纳米技术
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 早期检测胰腺管腺癌 (PDAC) 和卵巢癌 (OV) 是至关重要的,但由于缺乏敏感的诊断测试,这是一个挑战.
- 使用纳米粒子 (NP) 的光光谱学为非侵入性癌症检测提供了一个有前途的途径.
- 这项研究评估了用于癌症诊断的新型线性-树突块共聚物NP.
研究的目的:
- 引入和验证一种新的基于阵列的测试方法,用于评估使用光谱学的NP诊断能力.
- 评估来自癌症患者和对照者的血清样本中合成NP (1-SH,2-OH,3-NH3+) 的歧视潜力.
- 将机器学习算法应用于光谱数据,以区分病态和非病态状态.
主要方法:
- 合成三种类型的NP:1-SH,2-OH和3-NH3+.
- 从PDAC,OV患者和健康对照者的血清中分析NP的光辐射光谱,在330和350nm激发.
- 机器学习算法的应用 (增强,基于树的) 用于使用AUC的光谱数据和性能评估.
主要成果:
- 对于PDAC和OV,观察到明显的光光谱图案.
- 在大多数算法中,3-NH3+NP显示了PDAC的高诊断能力 (AUC>80%).
- 在大多数算法中,2-OH NP显示出强大的OV区分能力 (AUC>70%);1-SH NP的影响有限.
结论:
- 拟议的基于阵列的光光谱学试验有效评估了NP的诊断潜力.
- 不同的NP-血清蛋白相互作用可以区分PDAC和OV,突出显示该方法的能力.
- NP辅助光光谱显示了早期癌症检测和改善患者结果的前景.
