免疫标记SERS技术结合可解释的1D-CNN算法：精准检测脑卒中患者血清中的NSE

《Optics & Laser Technology》：Immuno-labeling SERS technology combined with interpretable 1D-CNN algorithm: sensitive identification of NSE in the serum of stroke patients

　　

• •
  研究人员开发了一种双抗体夹心SERS免疫分析方法，用于高特异性地检测临床血清中的NSE。
• •
  所设计的1D-CNN模型具有0.9704的AUC值，其性能显著优于DNN和RNN架构。
• •
  通过SHAP和显著性图技术，研究团队揭示了该“黑箱”机制，确定607和1078 cm^-1处的拉曼位移可作为生物标志物。
• •
  研究人员利用磁控溅射技术制备出了具有核壳结构的高性能PSS@Cu-Ag@Ag SERS基底。
• •
  这种周期性阵列能够形成密集的“热点区域”，且重复性优异，RSD值低于6.4%。

引言

缺血性中风是一种由于大脑血液供应中断而引发的急性脑血管疾病，会导致脑组织出现缺血和缺氧损伤[1]。该病的发病率、致残率和死亡率都非常高[2]、[3]。在缺血性中风的治疗中，快速准确的早期诊断至关重要，只有这样才能及时进行溶栓或机械取栓治疗，从而挽救缺血半暗带区域[4]。目前，临床诊断主要依赖计算机断层扫描（CT）和磁共振成像（MRI）等影像学技术[5]。不过，CT在疾病早期阶段的敏感度较低，而MRI虽然精确度高，但耗时较长、成本高昂，且不适合作为紧急筛查时的即时检测工具[6]。因此，迫切需要开发一种快速、便捷且高度敏感的新的生物医学检测技术，以便实现缺血性中风的早期临床诊断[7]。

在缺血性中风的病理发展过程中，受损的神经元会向外周循环系统释放特定蛋白质，这些蛋白质可作为具有诊断价值的生物标志物[8]。其中，神经元特异性烯醇化酶（NSE）是一种主要存在于神经元细胞质中的糖酵解酶，当急性脑缺血发作时，它会迅速穿过血脑屏障进入血液中[9]。血清中NSE水平的异常波动与脑梗死的范围以及预后情况密切相关，因此被广泛视为评估脑损伤程度的重要指标[10]。然而，传统的NSE检测方法，如ELISA[11]或电化学方法[10]，往往存在操作繁琐、检测时间过长、样本需求量大，以及在复杂的血清环境中容易受到干扰等问题，难以满足中风紧急情况下快速筛查（<1小时）的临床需求[12]。

表面增强拉曼散射技术具有极高的灵敏度以及独特的指纹式光谱分辨率，能够实现精确的分子识别。此外，该技术还能有效抵抗背景干扰，确保光谱检测的稳定性。近年来，随着等离子体纳米结构的不断发展，通过合理的局域表面等离子体共振调控，SERS的性能得到了显著提升。混合等离子体阵列、金属纳米腔体以及基于多功能纳米针的基底等结构，都展现了更强的电磁耦合能力、更高的检测灵敏度以及更好的定量重复性，为先进SERS平台的设计提供了重要参考[13]、[14]、[15]。凭借其极高的灵敏度、独特的指纹光谱分辨率以及抗水信号干扰的能力[16]，SERS在生物医学微量分析领域展现出巨大潜力[17]。孙等人开发了一种双模态电化学-SERS免疫传感器，该传感器将电化学传感的高响应速度与SERS技术的高度特异性指纹识别功能结合在同一个检测平台上，从而能够同时且超灵敏地检测血清中的NSE和S100-β蛋白。这种互补的双信号验证方法有效减少了复杂血清环境带来的干扰，为早期评估中风时的神经损伤提供了更为精准的定量分析方法[18]。王等人则设计了一种基于微流控芯片的多重SERS免疫分析装置。该技术利用微流控通道实现对全血样本的自动化处理和目标物质捕获，能够在极短时间内对多种与中风相关的生物标志物进行多重分析。由于其检测限可达皮克级别，大大提升了全血样本中复杂生物标志物筛查的效率与便利性[19]。不过，目前仍需开发出能够直接应用于临床血清分析的可靠SERS传感器。一方面，传统随机分布的纳米粒子基底往往会出现局部“热点区域”，且分布不均，从而导致信号均匀性较差[20]；另一方面，血清中含有大量的背景污染物，如蛋白质和脂质，这些物质会在SERS光谱中造成严重的峰重叠现象[21]。

近年来，人工智能算法，尤其是深度学习技术，凭借其出色的非线性特征提取能力，为解决复杂的谱图分析问题以及提高临床诊断分类的准确性提供了新的跨学科解决方案[22]、[23]。Kim Myoung Gyu的团队利用深度学习技术提升了SERS的性能，使得核酸扩增产物能够被快速直接检测出来。他们通过神经网络深入分析光谱特征，省去了繁琐的纯化步骤，极大地提高了分子诊断的自动化水平和准确性[24]。

本研究提出了一种将SERS免疫纳米传感技术与深度学习相结合的方法，用于快速区分健康人群与中风患者的血清样本。如图1所示，首先制备了PSS@Cu-Ag@Ag复合基底，为血清中NSE的沉积提供了适宜的场所。随后将捕获抗体（Ab₁）固定在基底上。此实验所需的最佳基底参数已在前期确定。通过将金纳米颗粒与4-MBA结合，进一步对标记抗体（Ab₂）进行了功能化修饰，从而形成一种能够特异性结合血清中NSE的SERS标记物，最终该标记物会被基底上的捕获抗体捕获，形成双抗体夹心结构。对于由此得到的样本，研究人员运用1D-CNN、DNN和RNN等深度学习模型对其光谱数据进行分析，以实现预测和分类。实验结果表明，在标准验证条件下，1D-CNN具有显著的区分优势。它不仅具备最强的稳健性，收敛速度极快，学习曲线也十分平滑。此外，通过对比度敏感性分析显著性图，还找到了模型中最关键的“信号拐点”。SHAP解释图则进一步从定量角度分析了各关键特征对最终预测结果的贡献程度，揭示了模型的决策依据。这项研究使得模型的决策过程更具透明性和逻辑性。这不仅证明了所提出的1D-CNN模型在处理复杂生物数据方面的科学可靠性，也为其在临床医学领域的实际应用奠定了坚实的理论基础。

章节摘要

材料与设备

铜银合金靶材（直径60.0毫米，厚度2.0毫米，纯度99.99%）和银靶材（直径60.0毫米，厚度2.0毫米，纯度99.99%）购自中国南昌汉城新材料科技有限公司。磷酸盐缓冲液由上海麦克林生化科技有限公司提供，而4-巯基苯甲酸、牛血清白蛋白、1-乙基-3-(3-二甲氨基丙基)二碳二亚胺以及N-羟基琥珀酰亚胺则购自上海阿拉丁公司。

SERS增强型基底的形态与成分表征

为打造具有高灵敏度和结构稳定性的SERS平台，本研究中所使用的PSS是通过光刻和蚀刻技术在蓝宝石晶圆上制备的，其表面形成了微锥结构阵列。这些微结构能够增大有效表面积，有助于金属纳米颗粒的均匀沉积。它们呈现出有序的纳米结构，可为SERS效应提供大量“热点区域”[25]，因此非常适合用作SERS平台，如图2所示。

结论

本研究成功开发了一种将SERS免疫纳米传感技术与深度学习相结合的缺血性中风快速诊断平台。通过在高真空磁控溅射作用下将铜银双金属纳米层精确沉积到周期性微球阵列上，研究人员制备出了具有均匀核壳结构的高性能PSS@Cu-Ag@Ag基底。由于该基底表面具有丰富的纳米级粗糙结构，因此能够产生密集的“热点区域”，进而实现灵敏且重复性高的信号输出。

CRediT作者贡献说明

陈浩：写作——审阅与编辑，写作——初稿撰写，可视化分析，方法设计，正式分析，数据整理。李敏：可视化分析，结果验证，研究指导，方法设计，概念构思。盖继川：软件应用，正式分析。魏继远：软件应用，数据整理。于增山：可视化分析，正式分析。郭珊：方法设计。李泽龙：软件应用，概念构思。吴彦军：可视化分析，结果验证。韩雪：研究指导，软件应用。李奎华：软件应用，方法设计，正式分析

资金支持

本研究得到了河北省教育厅科学研究项目（BJ2025135）以及河北省神经系统损伤与修复重点实验室开放研究项目（NJKF202504）的资助。

人类伦理与参与同意声明

本研究已获得承德医学院伦理委员会的批准（批准编号为2025034）。所有涉及人类受试者的实验操作均严格遵循该机构及国家研究委员会的伦理标准，同时也符合1964年《赫尔辛基宣言》及其后续修订版本的要求。

参与同意

本研究的所有参与者均已签署书面知情同意书。对于那些处于法定监护人监护之下的参与者，其知情同意书则由其法定监护人代为签署。

发表同意

无需提交发表同意声明，因为本研究仅使用了匿名化的血清样本，没有披露任何可识别身份的信息或个人隐私资料。

临床试验编号

无相关临床试验编号。

利益冲突声明

所有作者均声明，自己不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

陈浩|李敏|盖继川|魏继远|于增山|郭珊|李泽龙|吴彦军|韩雪|李奎华|石国超