AI辅助的SERS微流控芯片可实现高精度无标记细胞分选

精确高效地分离和回收目标细胞，可以对异质细胞群中的细胞功能、生长和培养以及基因表达谱进行详细分析。研究人员开发了一种新型微流控表面增强拉曼散射 (SERS) 芯片，该芯片能够进行深度学习辅助的无标记单细胞识别和分选。研究结果可用于指导未来对非侵入性、高效细胞分选技术的设计和开发，这些技术在临床诊断和精准医疗领域具有潜在的应用价值。

　　

细胞分选是精准生物医学中一项基础但至关重要的技术。细胞分选能够根据细胞的独特特征将混合细胞分离成纯净的亚群。生物组织和血液包含多种细胞类型，混合样本会模糊基因或蛋白质检测中真实的细胞信号。通过分选，研究人员可以获得均一的细胞，从而清晰地研究细胞功能、干细胞发育和疾病机制。它还有助于药物筛选和细胞产品质量控制。如果没有这些技术，精确的单细胞分析和现代细胞疗法将无法实现。鉴于其在解决新药研发和临床诊断问题方面的巨大潜力，对癌症干细胞和循环肿瘤细胞等稀有细胞进行分析以评估其功能反应正迅速受到重视。

传统的基于流式细胞术的细胞分选技术最早于20世纪60年代被提出。目前，应用最广泛的方法是荧光激活细胞分选（FACS）和磁激活细胞分选（MACS）。这些方法通过激光检测单个细胞；对目标细胞液滴进行带电处理，并利用电场使其偏转以进行收集。近年来，为了避免标记和侵入性操作，研究人员开发了多种无标记细胞分选技术，包括图像激活细胞分选（IACS）、声学激活细胞分选（AACS）和拉曼激活细胞分选（RACS）。这些系统利用细胞的固有特性，例如几何形态、声学特性和拉曼光谱测量的分子组成，分别实现细胞的识别和分选。然而，这些技术在处理复杂的细胞群时，分选精度有限。

为了提高细胞分选的识别准确率，近年来开发了基于神经网络（NN）的深度学习方法。然而，神经网络算法计算复杂，通常不适合未经培训的用户使用。无标记细胞分选的主要障碍是灵敏度低和空间分辨率有限，因为这些参数直接关系到整个识别分离流程的准确性。

表面增强拉曼散射 (SERS) 为生物传感中单分子指纹的识别提供了一种有效且无创的方法，并具有超高的灵敏度，可用于痕量检测和分析。由于拉曼信号的高精度和采集时间短，SERS 可用于细胞分选，因为与 IACS 和 AACS 相比，拉曼分析所需时间更短。此外，拉曼映射可提供空间分辨的拉曼信号，从而减少总处理时间。近年来，基于深度学习的 SERS 技术已被开发用于细胞识别。以往的研究使用金纳米颗粒作为 SERS 基底来收集癌细胞信号，并将所得数据应用于基于神经网络的深度学习模型，用于癌症早期诊断。然而，即使使用深度学习模型，拉曼标签或生物标志物的合理选择对于准确的 SERS 分析也至关重要，并且必须考虑到深度学习作为一种通用的细胞识别技术的应用范围有限。

近日，日本理化学研究所先进激光加工研究团队的杉冈浩二教授和白石博士的研究小组提出了一种利用激光近场还原金离子制备具有均匀分布热点的表面增强拉曼散射（SERS）基底的新方法。他们的研究成果发表在《光电进展》（Opto-Electronic Advances）期刊的“在线预览”栏目中。

“这项技术通过在前驱体溶液中引入十六烷基三甲基溴化铵，可以制备等离子体环状纳米结构阵列，”金纳米颗粒的尺寸约为28纳米。同时，环状结构中金纳米颗粒的数量及其间距与还原时间有关，而还原时间对于获得稳定的表面增强拉曼散射（SERS）性能至关重要。

拉曼光谱成像表明，环状纳米结构阵列展现出超高的空间均匀拉曼增强效应，相对标准偏差仅为2%。拉曼光谱成像实验也证实了SERS分析的高空间分辨率（~185 nm）。值得注意的是，空间分辨率对于基于深度学习的无标记细胞识别至关重要。结果表明，由于环状纳米结构阵列具有高空间分辨率，细胞识别准确率从75%提升至96.2%，这表明空间分辨率是一个关键因素，应在未来的相关研究中予以考虑。

作为概念验证，研究人员利用飞秒激光加工技术制备了一种细胞分选装置。癌细胞和非癌细胞成功地被分离并排列在“Y”形微通道中。作者强调：“初步结果表明，该分选器无需依赖生物标志物或拉曼标记，即可实现精确的细胞分选与分离。”