基于可解释性深度学习的呼吸病毒SERS光谱分类技术：三维等离子纳米柱增强与临床诊断应用

针对呼吸病毒快速精准诊断的临床需求，韩国科学技术院团队创新性整合三维等离子纳米柱基底与可解释性深度学习算法，开发出表面增强拉曼散射（SERS）检测平台。该研究实现了13种呼吸病毒（含SARS-CoV-2变异株）98%以上的分类准确率，通过梯度加权类激活映射（Grad-CAM）解析关键拉曼位移特征，在复杂临床样本中验证了其诊断潜力，为现场快速检测提供了可扩展的无标记解决方案。

　　

呼吸系统病毒如流感、呼吸道合胞病毒（RSV）和SARS-CoV-2及其变异株持续威胁全球公共卫生，而现有诊断技术面临变异株识别精度不足、检测周期长等挑战。传统PCR虽灵敏但耗时，免疫层析试纸条则缺乏分辨变异的能力。在此背景下，韩国科学技术院（KAIST）化学系的研究团队在《Biosensors and Bioelectronics》发表创新研究，通过三维等离子纳米柱增强拉曼信号，结合可解释性深度学习算法，建立了呼吸病毒快速分类平台。

研究采用三项核心技术：1）通过CF₄/Ar等离子体刻蚀结合金沉积制备高密度三维纳米柱基底，实现7.4×10⁷的电场增强因子；2）采集13类呼吸病毒（含5种SARS-CoV-2变异株和4种Omicron亚系）的2,000组SERS光谱；3）构建一维卷积神经网络（1D-CNN）模型并应用梯度加权类激活映射（Grad-CAM）解析关键光谱特征。

三维等离子纳米柱基底构建

通过掩模等离子刻蚀技术制备的聚酰亚胺纳米柱（直径30 nm，高200 nm）沉积150 nm金层后，有限时域差分（FDTD）模拟显示局部电场增强达91倍。实验测得罗丹明6G的SERS增强因子为3.4×10⁷，与理论值高度吻合。

呼吸病毒分类性能

1D-CNN对流感A/B、RSV和SARS-CoV-2原始株的分类准确率达100%。Grad-CAM揭示流感A在1500-2000 cm^-1的特征峰源于血凝素糖蛋白，而SARS-CoV-2在1008 cm^-1（半胱氨酸振动）和1322 cm^-1（磷脂信号）的峰位具有株系特异性。

SARS-CoV-2变异株鉴别

该平台成功区分Delta（B.1.617.2）、Omicron BA.1等变异株，以及XBB.1.9.1等最新亚系。PCA分析表明1D-CNN能识别传统方法无法区分的细微光谱差异，如BA.2.75亚系在167 cm^-1（病毒衣壳振动）的独特信号。

复杂介质适应性

在DMEM和通用运输培养基（UTM）中仍保持98%以上准确率。Grad-CAM显示1120-1240 cm^-1（C-N/C-C伸缩）和1500-1600 cm^-1（酰胺II带）等特征峰在不同溶剂中保持稳定，证实了方法的鲁棒性。

临床验证

20例鼻咽拭子样本（含健康对照）测试显示，流感A患者样本在1500-2000 cm^-1区域出现浓度依赖性信号增强，检测限达3 PFU/mL，与PCR结果高度一致。

这项研究通过可解释性深度学习破解了SERS光谱的"黑箱"难题，Grad-CAM揭示的生物标志物为病毒检测提供了分子层面的新见解。三维纳米柱基底与便携式拉曼仪的兼容性，使其在机场、社区诊所等场景具有应用潜力。未来通过扩展病毒数据库和优化模型架构，该技术有望成为新一代现场诊断工具，为传染病防控提供关键技术支撑。