《Biosensors》：Explainable AI-Assisted Label-Free Raman Biosensing Reveals Therapy-Associated Spectral Signatures in Melanoma Tumors
编辑推荐：
在肿瘤组织中灵敏检测与治疗相关的拉曼光谱改变仍然具有挑战性，尤其是当这些变化无法从常规形态学评估中明显看出时。研究人员开发了一种无标记拉曼生物传感策略，结合可解释机器学习，用于表征黑色素瘤肿瘤中与治疗相关的光谱特征。研究采用B16-F10黑色素瘤荷瘤小鼠模型，
在肿瘤组织中灵敏检测与治疗相关的拉曼光谱改变仍然具有挑战性，尤其是当这些变化无法从常规形态学评估中明显看出时。研究人员开发了一种无标记拉曼生物传感策略，结合可解释机器学习，用于表征黑色素瘤肿瘤中与治疗相关的光谱特征。研究采用B16-F10黑色素瘤荷瘤小鼠模型，将未治疗组和PBS处理对照组与接受免疫检查点阻断（immune checkpoint blockade，ICB）、抗血管生成干预或联合治疗的队列进行比较。拉曼光谱采自黑色素瘤组织的多个空间区域，并采用非线性降维、监督分类以及基于SHAP的特征解释进行分析。尽管队列平均光谱存在显著重叠，多变量分析仍揭示出治疗依赖的光谱组织方式，其中联合治疗队列表现出最紧凑且可区分的光谱轮廓。包括卷积神经网络（convolutional neural network，CNN）、支持向量机（support vector machine，SVM）和k近邻（k-nearest neighbors，kNN）在内的监督模型，在采用小鼠水平验证策略时进一步支持治疗相关拉曼特征的可重复性。SHAP分析识别出的判别性拉曼特征主要位于脂质、磷脂、酯、蛋白质和胶原相关振动域，提示代谢及细胞外基质相关生化成分可能对治疗相关光谱判别产生贡献。这些结果表明，拉曼光谱学与可解释机器学习相结合，提供了一种灵敏、无标记的方法，用于区分黑色素瘤组织间的治疗相关光谱差异。所提出的方法可作为常规组织学和分子分析之外的互补光谱工具，用于研究治疗相关的组织状态改变。
研究背景方面，黑色素瘤是最具侵袭性的皮肤恶性肿瘤之一，全球疾病负担持续上升。虽然免疫检查点疗法改善了部分患者的预后，但治疗相关生物学改变的可重复表征与监测仍具挑战。PD-L1表达等预测性生物标志物受检测变异性和疗效相关性弱的影响，液体活检、肿瘤浸润淋巴细胞与影像方法也尚不足以支持常规临床应用。肿瘤微环境（tumor microenvironment，TME）中胶原组织和脂质代谢改变与免疫逃逸及耐药密切相关，但现有技术难以在治療过程中解析TME内的动态生化重塑。拉曼光谱（Raman spectroscopy）可提供无标记、分子特异性的振动指纹，因此研究人员将其与机器学习结合，探究能否在六组治疗与对照条件下捕获治疗相关光谱特征，并实现可解释分析。该研究发表于《Biosensors》。研究人员最终证明，无标记拉曼光谱结合非线性流形学习、监督机器学习和SHAP解释，可敏感捕捉黑色素瘤组织中的治疗相关光谱特征；联合治疗组在所有分析中均呈现最紧凑、最可分离的光谱组织方式，说明该方法可作为传统组织学与分子分析之外的互补工具。
关键技术方法方面，研究人员建立B16-F10黑色素瘤荷瘤小鼠模型，设未治疗、PBS处理对照、广谱免疫检查点阻断、抗血管生成、PD-1/PD-L1阻断及联合治疗六组，每组六只肿瘤小鼠。对固定包埋切片脱蜡后于石英基底上进行拉曼 Mapping；预处理含非对称最小二乘基线校正、Savitzky–Golay平滑与矢量归一化。采用t-SNE、UMAP、PHATE与偏最小二乘判别分析（partial least squares discriminant analysis，PLS-DA）做可视化与监督降维；用CNN、SVM、kNN与XGBoost分类，并以小鼠水平划分、五折交叉验证和留一小鼠验证防止同体光谱泄漏；再用SHAP解释XGBoost模型贡献波段。
3.1. Raman Spectroscopy Reveals Conserved Biochemical Architecture Across Treatment Cohorts
研究人员从各肿瘤切片多个空间区域采集200–3200 cm?1拉曼谱，经质量控制和预处理后保留1080条个体光谱，每组约180条；另将同一标本每10条平均得到72条代表谱仅用于可视化。平均光谱在多糖、脂质、蛋白质、酰胺III与胶原相关波段具有共同峰，说明各组保留广泛保守生化架构；但组间平均谱无明显分离，提示治疗相关差异细微且嵌于重叠特征中，因此需要多变量与机器学习提取结构方差。
3.2. Multimodal Dimensionality Reduction and Supervised Classification of Raman Spectra
t-SNE、UMAP显示联合治疗组S6聚成最紧凑独立簇，单药与对照组部分重叠；PHATE显示光谱特征空间中的连续过渡；PLS-DA证实六组可判别。这些非线性与监督降维结果说明治疗相关模式存在于高维拉曼特征空间，并为后续分类器提供可视化支撑，但不能单独作为统计独立聚类的证据。
3.3. SHAP-Based Raman Feature Interpretation
研究人员对XGBoost做SHAP分析，重要波段约306、713、1066–1138、1750、2840、3130 cm?1，按文献可归入脂质、磷脂、酯、蛋白质和胶原相关振动域。联合治疗组SHAP特征分布更一致，说明模型依赖更协调的判别光谱集；但波段归属是文献解释，不是直接分子验证。
3.4. Convolutional Neural Network Validates Treatment-Specific Spectral Signatures
CNN在约30轮内收敛，训练与验证精度稳定、损失无过拟合；混淆矩阵误分少，ROC显示六组强判别，S6分离度最高。结果说明一维CNN能从个体光谱中学到可重复的治疗特异性模式。
3.5. Conventional Supervised Models Corroborate Therapy-Driven Spectral Discrimination
SVM与kNN在同一验证框架下同样取得稳健分类，SVM对S6分离尤其清晰，kNN在部分单药与对照间有轻微重叠。多模型一致表明治疗驱动的光谱判别不是单一算法产物，而是结构编码于拉曼指纹中。
3.6. Integrated Analysis of Treatment-Associated Raman Spectral Signatures
综合无监督与有监督分析，六组中S6始终最紧凑可分离，主导波段关联脂质与胶原区域，提示TME中代谢与细胞外基质状态发生协调改变。拉曼光谱可检测组平均谱看不出的分子级组织状态变化。
讨论部分总结指出，拉曼提供的是无标记生化指纹，不能直接认定具体代谢物、蛋白或基质成分；判别峰应称为光谱标记或分子特征，而非已验证生物标志物。脂质相关峰可能反映免疫与代谢重编程，胶原相关峰可能关联基质免疫调节，但都需免疫组化、代谢组、胶原成像或空间分子谱验证。可解释机器学习把分类性能与化学可解释性结合，是该方法的重要价值。局限性包括小鼠模型、光谱未与病理区域配准、只取终点组织故不能证明早期疗效评估能力，未来需人源样本、纵向体内测量和多模态配准。
结论部分译为：总之，本研究证明无标记拉曼光谱结合机器学习可区分六组黑色素瘤组织的治疗相关光谱模式。研究人员采用动物水平数据划分以降低光谱级泄漏，SHAP分析识别出对XGBoost输出贡献显著的拉曼位移。然而，这些光谱特征的生化归属仍是基于文献的初步判断，需独立组织学与分子验证确立其生物学来源。该策略应被视为互补光谱方法，而非独立的机制学或临床验证检测。
