機器學習+表面增強拉曼光譜技術(shù)，用于早期肺癌篩查

近期，黃祖芳研究員和王靜研究員研究團隊通過將機器學習和直接表面增強拉曼光譜（SERS）檢測技術(shù)相結(jié)合，開發(fā)了一種可檢測早期肺癌與良性肺部疾病患者的全局DNA甲基化信息的方法。相比于常規(guī)的DNA甲基化表征方法，如高效液相色譜法和發(fā)光甲基化測定法，這種方法具有快速、靈敏和簡單的優(yōu)點，并且無需亞硫酸鹽處理和擴增。這一技術(shù)有望應(yīng)用于早期肺癌的準確檢測和診斷，為肺癌的早期治療提供幫助。目前，低劑量計算機斷層掃描（LDCT）仍存在區(qū)分早期肺癌與良性肺部疾病的挑戰(zhàn)，而這項研究提供了一種潛在的解決方案。

該工作以“Machine learning-assisted global DNA methylationfingerprint analysis for differentiating early-stage lung cancer from benignlung diseases”為題發(fā)表于國際權(quán)威期刊Biosensors and Bioelectronics上，福建師范大學博士研究生陸德嬋和福建省腫瘤醫(yī)院陳燕坪主任醫(yī)師為共同第一作者，福建師范大學黃祖芳研究員、盧玉棟教授和王靜研究員為共同通訊作者。

該研究開發(fā)了一種新的基于直接SERS納米技術(shù)的DNA甲基化模式檢測技術(shù)，如圖1所示。首先從福爾馬林固定石蠟包埋（FFPE）的組織樣本中提取gDNA，然后將其與金納米粒子（AuNPs）混合進行SERS檢測。由于甲基對AuNPs的親和力高于銀和銅納米粒子，因此選用AuNPs作為gDNA信號放大的SERS基底。該研究發(fā)現(xiàn)，5-甲基胞嘧啶的分布（即DNA甲基化模式）在早期肺癌和肺部良性疾病患者之間存在差異性，這些差異可以通過gDNA的SERS光譜反映出來。因此，該研究團隊利用直接SERS技術(shù)檢測了106例（包括65例早期肺癌和41例良性肺部疾病患者）FFPE的gDNA的SERS特征。通過偏最小二乘法判別分析（PLS-DA）模型結(jié)合gDNA的SERS光譜特征，成功區(qū)分早期肺癌和肺部良性疾病患者。這種技術(shù)的發(fā)展有望成為一種新型的肺癌篩查方法，并為其他癌癥的早期診斷提供新思路。

圖1 基于非標記SERS結(jié)合機器學習區(qū)分早期肺癌和肺部良性疾病患者的示意圖

如圖2所示，研究團隊通過檢測5-甲基胞嘧啶和胞嘧啶，以及包含5-甲基胞嘧啶的合成DNA序列（mCGATAmCGmCAT，ss mC）和其未甲基化的對應(yīng)序列（CGATACGCGCAT，ss）的SERS光譜，探討了甲基化相關(guān)的特征峰。隨后，研究人員分析了這些甲基化相關(guān)特征峰（如1006/cm）與甲基化水平的關(guān)系，以此確定了與甲基化相關(guān)的光譜標記。

圖2 （A）5-甲基胞嘧啶（5mC）和胞嘧啶（C）的SERS光譜以及5mC-C的差譜；（B）ss mC（mCGATAmCGmCGCAT，20 ng/μL）和ss（CGATACGCAT，20 ng/μL）的SERS光譜，以及ss mC-ss的差譜；（C）PLS-DA模型區(qū)分ss mC和ss的VIP分數(shù)；（D）不同胞嘧啶堿基比例的ss mC+ss的SERS光譜，RmC=[mC]/([C]+[mC])；（E）摩爾比RmC與1001/cm處的峰強度（I1001）之間的線性關(guān)系。

如圖3所示，研究團隊利用直接SERS技術(shù)分別檢測了來源于肺癌細胞系和肺上皮細胞系的DNA的SERS光譜，并比較了對應(yīng)的5-甲基胞嘧啶特征峰1006/cm的拉曼強度差異。通過與商業(yè)化試劑盒（LINE-1）的交叉驗證，進一步證明直接SERS技術(shù)可以對從細胞系中提取的gDNA的全局甲基化水平提供準確可靠的測量結(jié)果。

圖3（A）不同細胞系提取的gDNA的平均SERS光譜以及（B）差譜；（C）特征峰1006/cm對應(yīng)的拉曼強度；（D）LINE-1試劑盒檢測細胞系的全局甲基化水平

如圖4所示，研究團隊利用直接SERS技術(shù)檢測了早期肺癌（n = 65）和肺部良性疾?。╪ = 41）患者的FFPE組織標本中提取的gDNA的SERS光譜?；趩蝹€譜峰（I1006）強度計算ROC曲線下的面積（AUC）值為0.7，表明DNA甲基化可作為潛在的區(qū)分早期肺癌和肺部良性疾病患者的生物標志物。研究團隊還利用PLS-DA模型對全譜光譜進行分析，發(fā)現(xiàn)直接SERS檢測與機器學習相結(jié)合，可以識別DNA甲基化模式的分子特征，從而提高早期肺癌和肺部良性疾病患者的診斷性能，表明這種方法具有廣闊的應(yīng)用前景。

圖4 （A）每個樣本的gDNA光譜強度映射圖；（B）早期肺癌和肺部良性疾病患者的gDNA的平均SERS光譜以及差譜；（C）基于1006/cm的峰值強度的全局甲基化水平的比較；（D）基于1006/cm處的SERS信號強度的ROC曲線用于區(qū)分早期肺癌和肺部良性疾病患者；（E）根據(jù)PLS-DA模型計算的每個樣本的預(yù)測分數(shù)；（F）基于預(yù)測分數(shù)的ROC曲線，用于鑒別早期肺癌和肺部良性疾病患者；（G）PLS-DA模型中得到的用于鑒別早期肺癌和肺部良性疾病的VIP分數(shù)。

綜上所述，在這項工作中，研究團隊提出了一種結(jié)合機器學習的直接SERS方法，用于分析DNA甲基化模式，探究早期肺癌和肺部良性疾病患者在分子水平上的差異。未來，便攜式光學儀器的發(fā)展將進一步促進床旁的DNA分析，用于早期疾病的檢測。

論文鏈接： https://doi.org/10.1016/j.bios.2023.115235

審核編輯 ：李倩