编辑推荐：
为解决传统纳米颗粒（NPs）和细胞外囊泡（EVs）鉴定方法昂贵耗时的问题，研究人员开展量子机器学习（QML）结合电动属性（ζ 电位、电泳迁移率等）的研究。发现 QML 能高效区分 NPs 和 EVs，即使训练数据极少，为液体活检等提供新方法。
在生物医学领域，纳米颗粒（NPs）和细胞外囊泡（EVs）如外泌体，在肿瘤诊疗、药物递送等领域有重要应用。然而，传统鉴定方法如透射电子显微镜（TEM）成本高、耗时长，且依赖专业设备和人员。开发高效、低成本的鉴定技术对推进相关研究和临床应用至关重要。为此，美国芝加哥大学的研究人员开展了量子机器学习（QML）结合电动属性分析的研究，相关成果发表在《Bioactive Materials》。该研究旨在探索 QML 在仅用极少训练数据的情况下，能否通过分析 NPs 和 EVs 的电动属性（如 ζ 电位、电泳迁移率、电导率、平均计数率等）实现精准鉴定，为液体活检等领域提供新的技术路径。
研究主要使用了动态光散射（DLS）技术测量 NPs 和 EVs 的电动参数，结合经典机器学习（ML）和 QML 中的变分量子分类器（VQC）进行数据分析。样本包括绿色合成的铁、钴基 NPs，人胚胎干细胞（hESC）、人肺癌（A549）细胞、结直肠癌（CRC）细胞来源的外泌体，以及 CRC 患者和实验小鼠的血浆样本。
2.1 纳米颗粒和细胞外囊泡的大小及电动特性表征
通过透射电子显微镜（TEM）和纳米颗粒跟踪分析（NTA）发现，铁、钴基 NPs 直径约 20 nm，ζ 电位分别约为 10 mV 和 26 mV，电泳迁移率和电导率等参数存在显著差异。外泌体的大小分布通过 NTA 测定，不同细胞来源的外泌体在电动属性上也表现出特征性差异，这些差异为后续的分类鉴定提供了数据基础。
2.2 电动特征的分布模式及相关性分析
散点图分析显示，NPs 和 EVs 的 ζ 电位与电泳迁移率高度正相关（Spearman 相关，P=1），符合 Smoluchowski 方程。而电导率和平均计数率与其他参数无明显相关性，提示这两个参数可能在分类中起独立作用。通过多参数组合，可有效区分不同类型的 NPs 和 EVs。
2.3 经典机器学习模型的有效性和预测能力验证
利用 k 折交叉验证（10、100、200 折）和训练 - 测试划分（70:30），评估了线性回归（LR）、支持向量机（SVM）、K 近邻（KNN）、决策树（DT）、极端梯度提升（XGB）等经典 ML 模型的性能。结果表明，DT 和 XGB 表现最佳，准确率可达 99% 以上，受试者工作特征曲线下面积（AUC-ROC）接近 1.0，证明经典 ML 能通过电动属性准确分类 NPs 和 EVs，但模型性能随训练数据减少而下降。
2.4 量子机器学习在少训练数据下的鉴定能力
VQC 作为 QML 算法，在训练数据大幅减少时表现出优势。当训练数据分别为 70%、50%、10% 时，VQC 对 NPs 的预测准确率分别为 94%、94%、92%；即使训练数据仅为 0.5%，仍能保持较高性能，显著优于经典 ML 模型。类似结果在 EVs 鉴定中也得到验证，表明 QML 在数据稀缺场景下的强大泛化能力。
2.5 量子机器学习在血浆样本中的应用
在小鼠和人类血浆样本中，QML 能有效识别是否存在 NPs。例如，在小鼠实验中，训练数据为 70%、50%、10%、1% 时，AUC-ROC 分别为 0.85、0.80、0.85、0.63，显示出对复杂生物基质中 NPs 的检测能力。在 CRC 患者血浆中，QML 还能区分健康和癌症来源的 EVs，即使训练数据仅为 5%，仍具鉴别能力。
2.6 量子机器学习区分健康与癌症样本中的细胞外囊泡和纳米颗粒
通过分析血浆 EVs 的电动属性，QML 能有效区分健康受试者和 CRC 患者的 EVs，训练数据为 70% 和 5% 时，AUC-ROC 分别为 0.69 和 0.73。此外，QML 还能识别 EVs 中是否添加 NPs，显示出对样本中复杂成分的解析能力，为混合样本的精准分析提供了可能。
研究表明，QML 结合电动属性分析是一种高效的 NPs 和 EVs 鉴定方法，尤其在训练数据有限时优势显著。该技术为液体活检中癌症的早期诊断、纳米药物的体内追踪等提供了新工具，有望推动精准医学和纳米医学的发展。尽管目前量子计算存在噪声、 scalability 等挑战，但 QML 在生物医学领域的应用潜力巨大，未来可进一步拓展至更多疾病和复杂样本的分析，为生命科学研究和临床诊断带来新突破。
