基于SERS等离子体液滴分析技术的唾液检测新方法实现口腔癌无创早期筛查

《Microchemical Journal》:SERS plasmonic droplet assay for non-invasive early oral cancer screening using saliva samples

【字体: 大 中 小 】 时间:2026年01月01日 来源:Microchemical Journal 5.1

编辑推荐:

  本研究针对传统口腔癌诊断方法的侵入性和滞后性问题,开发了一种基于表面增强拉曼散射(SERS)的等离子体液滴分析平台。通过构建具有表面润湿性差异的基底实现唾液微升级分割检测,结合便携式拉曼系统与机器学习算法,在区分正常、癌前病变和恶性唾液样本时达到85%以上的预测准确率,为口腔癌早期筛查提供了非侵入性解决方案。

  
在全球范围内,口腔癌是威胁人类健康的重大疾病,尤其在发展中国家形势严峻。以印度为例,口腔癌在男性中的发病率高居首位,每年新增病例约6万例,导致5.2万人死亡。传统诊断依赖组织活检,虽然被视为金标准,但存在患者不适、病灶区域难以触及以及诊断延迟等问题。更严峻的是,早期口腔癌(I、II期)患者五年生存率可达86%,而晚期(III、IV期)骤降至15-35%,凸显了早期筛查的迫切性。唾液作为富含蛋白质、代谢物等生物标志物的体液,为无创诊断提供了理想媒介。表面增强拉曼散射(SERS)技术能够显著放大拉曼信号,但传统SERS方法面临基底制备重复性差、分析物浓度低等挑战。
为突破这些瓶颈,研究人员在《Microchemical Journal》上发表论文,报道了一种创新型SERS等离子体液滴分析平台(Plasmonic Droplet Assay Platform, PDAP)。该平台通过设计具有润湿性差异的基底,使唾液样本在重力驱动下自动分割成亚微升级液滴,实现了微量样本的多重分析。结合定制便携式拉曼系统和机器学习算法,该研究在口腔癌早期筛查领域取得了突破性进展。
关键技术方法包括:1)制备等离子体液滴分析平台(PDAP),通过金纳米粒子(AuNPs)选择性修饰构建亲/疏水区域;2)使用785nm便携式光纤拉曼系统采集光谱;3)收集114例临床唾液样本(正常38例、癌前病变37例、恶性39例);4)采用主成分分析(PCA)降维和Nu-支持向量分类器(Nu-SVC)等机器学习算法进行数据分类。
3.1. 基底表征
通过场发射扫描电镜(FESEM)和透射电镜(TEM)确认金纳米粒子呈球形,平均尺寸约16-20.7nm。接触角测量显示亲水区接触角为56°±2°,疏水区为107°±2°,显著润湿性差异实现了液滴分割功能。基底对罗丹明6G(Rh6G)的检测限达134pM,且光谱重现性良好(相对标准偏差<11%)。
3.2. 临床唾液样本的拉曼光谱测量
研究发现在恶性样本中,524cm-1(S-S伸缩振动,溶菌酶)、1258cm-1(酰胺III)、1358cm-1(胶原蛋白)和1645cm-1(酰胺I)等拉曼峰强度显著增强,反映蛋白质含量增加和结构变化。而1305cm-1处脂蛋白相关峰强度降低,提示肿瘤代谢重组。
3.3. 酰胺带评估
酰胺I(1645cm-1)和酰胺III(1258cm-1)带在恶性和癌前病变样本中强度升高,与肿瘤微环境中炎症反应和蛋白质表达变化相关。
3.4. 苯丙氨酸/酪氨酸比值作为生物标志物
恶性样本的苯丙氨酸(1000cm-1)与酪氨酸(852cm-1)拉曼峰强度比值(2.32)显著高于正常组(1.45),癌前病变组呈中间值。该比值异常反映苯丙氨酸羟化酶(PAH)活性受损,与肿瘤代谢需求增加相关。
3.5. 基于机器学习算法的数据分类
Nu-SVC模型在区分正常与恶性样本时准确率达88.9%,曲线下面积(AUC)为0.96;对正常与癌前病变样本的分类准确率为82.4%。随机森林(RF)、AdaBoost和逻辑回归(LR)模型也表现出良好性能,验证了光谱数据分类的可靠性。
该研究通过创新性结合SERS液滴分析技术与机器学习,成功实现了口腔癌的早期无创筛查。平台具备样本需求量小(20μL)、检测灵敏度高、便携性强等优势,为解决临床诊断中样本浓度低、基底重现性差等问题提供了有效方案。研究揭示的唾液生物标志物变化规律(如酰胺带增强、Phe/Tyr比值升高)为口腔癌机制研究提供了新视角。随着进一步扩大样本验证和基底规模化制备,该技术有望转化为临床实用的口腔癌筛查工具,显著提升早期诊断效率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号