类型b：学术报告
作者及机构
本文由吉林大学化学学院的王佳琪、徐蔚青、徐抒平（通讯作者）等合作完成，发表于《光散射学报》（The Journal of Light Scattering）2024年3月第36卷第1期。研究团队来自吉林大学超分子结构与材料国家重点实验室、超分子化学生物学研究中心及理论化学研究所，依托国家自然科学基金、吉林省科技发展计划等多项资助。
主题与背景
本文综述了表面增强拉曼光谱（Surface-Enhanced Raman Spectroscopy, SERS）结合机器学习（Machine Learning, ML）在生物医学领域的最新应用进展。SERS技术因其超高灵敏度、指纹识别能力和抗光漂白特性，成为生物分子检测的重要工具，但复杂生物样本的多组分、高维数据特征对传统分析方法提出挑战。机器学习通过无监督（如降维、聚类）和有监督（如分类、预测）算法，为SERS数据的解析提供了新范式。本文系统总结了SERS-ML技术在疾病诊断、治疗监测中的创新应用，并探讨了其临床转化潜力。
主要观点与论据
SERS-ML技术的核心优势
SERS技术可通过免标记策略直接捕获生物样本的分子指纹信息（如代谢物、核酸），或通过标记策略追踪蛋白质等生物标志物。机器学习算法（如PCA、t-SNE、SVM、CNN）能够高效处理高维光谱数据，解决传统方法难以识别的微弱差异问题。例如，武汉大学肖湘衡团队利用银纳米线基底结合ML对5种癌症血清样本分类，准确率达95.8%（n=1582例患者），证明了其在早期筛查中的潜力。
血液样本的液体活检应用
血液作为易获取的临床样本，是SERS-ML研究的重点。韩国高丽大学团队通过分析血浆外泌体SERS信号，利用深度学习区分6种早期癌症（AUC=0.945），并实现肿瘤溯源（准确率72%）。多伦多城市大学Tan团队开发的3D纳米传感器结合人工神经网络，对循环肿瘤细胞外囊泡（EVs）的检测限低至10 EVs/10 μL，在乳腺癌、肺癌等诊断中灵敏度达100%。这些研究凸显了SERS-ML在无创诊断和动态监测中的优势。
尿液与组织样本的创新检测
尿液样本的无创特性使其适用于即时诊断。韩国学者Jung利用3D等离激元珊瑚纳米结构（3D-PCN）基底结合深度学习，实现了前列腺癌和胰腺癌尿液分类（敏感性>90%）。组织样本方面，福建师范大学团队通过SERS检测肺癌组织DNA甲基化模式，结合偏最小二乘判别分析（PLS-DA）区分早期肺癌与良性病变（AUC=0.85），为病理诊断提供了分子层面依据。
单细胞与代谢分析的前沿探索
单细胞异质性分析是SERS-ML的特色应用。吉林大学徐抒平课题组开发微流控SERS平台，通过免疫夹心复合物检测单细胞分泌的细胞因子，揭示了细胞亚群的功能差异。加拿大蒙特卡罗大学Masson团队则利用SERS纳米探针结合ML，实时监测癌细胞代谢梯度（如乳酸、葡萄糖），发现HeLa细胞的糖酵解速率显著高于正常成纤维细胞，为肿瘤代谢研究提供了新工具。
方法学创新与挑战
文中强调了数据预处理（如混合PCA去噪、动态SERS化学计量学）对提升模型性能的关键作用。例如，Zachary提出的混合PCA方法通过高信噪比训练数据构建子空间，有效保留了低信噪比样本的化学信息（图1a）。同时，作者指出过拟合风险需通过交叉验证和特征选择规避，例如随机森林（RF）可筛选具有生物学意义的标志物峰。
意义与价值
本文的价值在于：
1. 学科交叉示范：系统展示了SERS与机器学习协同解决生物医学复杂问题的路径，为跨学科研究提供模板。
2. 临床转化潜力：涵盖血液、尿液、组织等多类样本，论证了SERS-ML在癌症早筛、术中诊断和疗效监测中的应用前景。
3. 技术前瞻性：微流控、纳米探针等创新平台与深度学习结合，推动了单细胞分析和动态监测的技术边界。
亮点
- 全面性：覆盖从基础方法（数据预处理）到临床应用（多癌种诊断）的全链条研究。
- 创新案例：如3D-PCN试纸化检测、EVs超灵敏传感等，体现了SERS-ML在便携化和精准化方向的突破。
- 批判性视角：指出模型泛化能力和标准化样本库建设的不足，为未来研究指明方向。
本文为SERS生物分析领域的研究者提供了方法论参考，也为临床诊断技术的开发奠定了理论基础。