液体活检作为一种颇具前景的无创癌症检测手段,可直接通过易于获取的生物体液解读机体患病状态,现有技术包括靶向分子检测和非靶向组学图谱分析,难以兼顾检测准确率、操作便捷性与检测成本。感知传感技术提供了第三种互补技术范式,通过生物体液整体分子特征图谱实现复杂生化混合物分类,无需逐一拆分、定量检测各类组分,具备低成本优势。该领域近期研究证实,经单链DNA或其他聚合物包覆的单壁碳纳米管(CNT),可形成化学性质丰富的表面冠层结构,能够与体液内蛋白质、脂质等多种疾病相关分子发生特异性相互作用,已实现卵巢癌与颅内肿瘤的高精度无创检测。
近日,华南理工大学林志伟团队构建了一套适用于液体活检的仿生人工感知检测系统(APS),以单一手性、结构均一的DNA修饰单壁碳纳米管(DNA-scCNT)传感阵列采集血清多通道荧光特征图谱,再结合集成机器学习模型(ML),完成患病状态判别。研究共计纳入253份血清样本,涵盖肝癌、肺癌、卵巢癌患者以及健康对照样本,整套人工感知系统检测平均灵敏度可达89%,特异度为96%。其中,针对早期肺癌筛查,系统灵敏度达92%、特异度达95%,单次检测预估成本仅4美元。通过SHAP分析和Mantel检验,研究揭示了APS响应与血清中肿瘤标志物谱之间的关联机制。总之,该研究为构建精准、可规模化推广、经济实惠的多癌种检测及癌症早筛方案提供了可行技术路径。相关内容发表在Science Advances。
![]()
研究团队选取6种单一手性、螺旋构型完全确定的scCNT,分别与特定DNA单链结合,构建多路复用传感器阵列。这种结构精确性赋予了各传感器独特的分析物结合亲和力与独特光致发光光谱,可敏锐捕捉血清微环境改变,多路信号整合后能够生成表征机体患病状态的专属特征图谱。
通过检测肝癌、肺癌、卵巢癌患者及非癌对照等154份血清样本,研究团队发现不同手性传感器对同组样本的响应模式差异显著,多样化信号组合可有效区分不同癌症类型及正常对照。相比之下,传统手性混合的碳纳米管传感器因光谱严重重叠,无法区分各队列。
![]()
图1. APS用于癌症检测
接下来,研究团队基于6种传感器提取的12个特征构建机器学习分类模型,并采用7种机器学习算法进行训练。经贝叶斯超参数优化与五折嵌套交叉验证评估,随机森林(RF)和极限梯度提升(XGB)表现最佳,二者平均F1分数和AUC均达0.83以上;两种算法各有优势,RF更擅长识别卵巢癌与健康样本,XGB对肝癌、肺癌检测效果更佳。基于二者互补特性构建RF+XGB集成模型,进一步提升了多癌种及健康人群血清样本的判别精度,整体F1分数达0.90,AUC达0.89~0.95。
鉴于RF+XGB集成模型的优越性能,研究团队通过优化算法权重和超参数进一步优化了该模型以实现更好的整合,并将其应用于癌症分类。结果显示,在肝癌、肺癌、卵巢癌及健康对照样本的四分类任务中,该模型的F1分数分别为0.86、0.91、0.92和0.92,AUC为0.89~0.95,检测稳定性较好,且随传感器数量增加分类性能持续提升。为验证系统泛化能力,研究团队选取54份独立血清样本开展外部验证,模型总体准确率达88.9%、灵敏度达89%、特异性达96%,四类样本F1评分为0.83~1.00(健康对照),AUC达0.95~0.99。上述结果证明,该APS不仅可精准区分三类高发恶性肿瘤与健康人群,还具备出色的跨人群适用能力,切实证实了其应用于多癌种液体活检早筛的可行性与可靠性。
![]()
图2. 多癌检测机器学习模型的开发
通过SHAP分析,研究团队揭示了APS机器学习模型的判别逻辑,明确不同传感特征对各类癌症分类的正向、反向调控作用。在肝癌分类中,dint(7,3)特征(强度变化)的升高会显著提升肝癌预测概率,而dwl(9,1)(峰位位移)升高则抑制肝癌判定。
接下来,研究团队检测了146例肿瘤患者体内17种已知肿瘤标志物浓度,并将其与传感器响应进行Spearman相关分析,发现存在多个显著特异性关联。肝癌中CA19-9与(6,5)传感器强度呈负相关,肺癌中NSE与(8,3)强度呈负相关,卵巢癌中AFP与(9,1)峰位移呈正相关。值得注意的是,同一种标志物在不同癌种血清微环境中可能呈现不同的关联模式,证明检测体系捕捉的是血清整体微环境特征,而非单一标志物信号。Mantel进一步证实,不同癌症类型具有各自独特的传感器特征-标志物组关联网络。
![]()
图3.APS癌症检测机制分析
早期癌症因肿瘤体积小、标志物变化微弱、机体生理改变十分隐匿而极难检测。为此,针对临床最难检出的临床分期TNM≤I期的早期肺癌患者,研究团队纳入134份血清样本(早期肺癌36例),构建了并验证了APS模型。结果显示,RF+LDA集成模型性能最优,在交叉验证中区分早期肺癌与非癌样本表现优异,平均F1分数为0.89,AUC为0.93,灵敏度为91%、特异性为92%。外部独立验证集中,该模型检测F1分数为0.85,AUC为0.94,灵敏度92%、特异性95%;总体准确率达94%,阳性预测值(PPV)为79%、阴性预测值(NPV)高达98%。这些结果表明,该模型适合高危人群癌症初筛,可高效检出早期肺癌并可靠排除健康个体。
研究团队还将APS与现有基于体液的早期肺癌检测方法进行了比较。大部分早期肺癌患者血清中传统标志物浓度低于临床参考阈值,单一标志物筛查的灵敏度仅为7%~48%;临床常用液体活检技术(如ctDNA等)特异性虽可超90%,但平均灵敏度仅有50%~60%,大量早期病例会被漏检。相比之下,APS在同等特异性下达到92%的灵敏度,显著提升了检出能力。此外,APS单次检测估算仅需约4美元,远低于ctDNA测序或甲基化测序等技术的数百至数千美元;检测仅需0.5 ml血清,操作简便,易于整合至常规筛查流程。特别地,该平台具备高度模块化特性,传感器通道可灵活增改,机器学习模型可随新数据持续优化。
![]()
图4.早期癌症检测
综上,该研究通过将结构确定的DNA-scCNT与ML相结合,建立了人工感知液体活检平台,在多种癌症及早期肺癌检测中展现出优异性能。其核心创新在于摒弃了传统传感器的结构异质性,通过分子级精确的传感器设计实现了可重复、可标准化的多维度血清指纹采集。低成本、高灵敏度和模块化特性,使该技术有望成为大规模人群癌症筛查的可行工具。
参考文献:
https://www.science.org/doi/10.1126/sciadv.aef9530
01
02
03
04
05
![]()
快点亮"在看”吧!
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.