纳米多层结构为疾病检测带来了新的可能性

研究人员已经开发出一种被称为“nanorattle”的独特纳米粒子，它可以极大地增强其外壳发出的光。该方法装载光散射染料，可以放大和检测来自不同类型纳米探针的信号，而不需要昂贵的机器或医疗专业人员来读取结果。在一项小型概念验证研究中，nanorattle通过一种人工智能支持的护理点设备准确识别头颈部癌症，这可以改善全球健康。

　　

这种方法装载了被称为拉曼报告器的光散射染料，通常用于检测有机样品中疾病的生物标记物，它可以放大和检测来自不同类型纳米探针的信号，而不需要昂贵的机器或医疗专业人员来读取结果。

在一项小型概念验证研究中，nanorattle通过一种人工智能支持的护理点设备准确识别头颈部癌症，这可能会彻底改变资源匮乏地区检测这些癌症和其他疾病的方式，从而改善全球健康。

该研究结果于9月2日在线发表在《拉曼光谱学杂志》上。

杜克大学生物医学工程R. Eugene和Susie E. Goodson特约教授Tuan Vo-Dinh说:“把拉曼记者困在这些所谓的纳米容器里的概念以前已经做过了，但大多数平台都难以控制内部尺寸。”

“我们的团队已经开发了一种新型的探针，在内部核心和外壳之间有一个精确可调的间隙，这允许我们加载多种类型的拉曼报告器，并放大它们的光发射，称为表面增强拉曼散射，”Vo-Dinh说。

为了制造纳米炮弹，研究人员从一个约20纳米宽的纯金球体开始。在金核心周围生长一层银，形成一个更大的球体(或立方体)后，他们使用一种称为电替换的腐蚀过程，将银掏空，在核心周围形成一个笼子状的外壳。然后，该结构被浸泡在含有带正电荷的拉曼报告器的溶液中，这些拉曼报告器被带负电荷的金芯吸引到外笼中。然后在外壳上覆盖一层极薄的黄金层，将拉曼记者锁在里面。

结果是一个约60纳米宽的纳米球(或纳米立方)，其结构类似于拨浪鼓——一个金核被困在一个更大的银-金外壳中。两者之间的距离只有几纳米，刚好能容纳拉曼的记者。

这些紧密的公差对于控制nanorattle产生的拉曼信号增强至关重要。

当激光照射在纳米炮弹上时，它穿过极薄的外壳，击中里面的拉曼报告器，使它们发出自己的光。由于金核表面和金/银外壳表面的距离非常近，激光也会激发金属结构上的电子群，称为等离子体激元。由于金属核壳结构的等离子体激元相互作用，这些电子群产生了一个极其强大的电磁场，这个过程被称为等离子体耦合，它将拉曼报告器发出的光放大了数百万倍。

“一旦我们让纳米机器人工作起来，我们想要制造生物传感设备，在人们甚至知道自己生病之前就能检测出传染病或癌症，”Vo-Dinh说。“由于nanorattle的信号增强能力如此强大，我们认为我们可以做一个简单的测试，可以让任何在护理点的人轻松读取。”

在这篇新论文中，voo - dinh和他的合作者将nanorattle技术应用到一种能够检测头颈部癌症的棍子上实验室设备上，这种癌症出现在肩膀和大脑之间的任何部位，通常是口腔、鼻腔和喉咙。几十年来，这些癌症的存活率一直徘徊在40%到60%之间。虽然这些统计数字近年来在美国有所改善，但在资源匮乏的环境中，情况变得更糟，在那里，吸烟、饮酒和嚼槟榔等风险因素要普遍得多。

杜克大学头颈外科、通信科学和放射肿瘤学教授沃尔特·李(Walter Lee)说:“在资源匮乏的环境中，这些癌症通常出现在晚期，结果不佳，部分原因是检查设备有限，缺乏训练有素的医护人员，基本上不存在筛查项目。”李也是这项研究的合作者。

李说:“有能力早期发现这些癌症应该会导致更早的治疗和改善结果，包括存活率和生活质量。”“这种方法是令人兴奋的，因为它不依赖于病理学家的检查，而且可能被用于护理点。”

该原型设备使用了特定的基因序列，就像研究人员正在寻找的生物标记物的魔术贴一样——在这种情况下，是头颈部癌症患者体内过量的一种特定的mRNA。当有问题的信使rna出现时，它就像拴绳一样将纳米颗粒和磁珠捆绑在一起。然后，这些珠子被另一块磁铁集中并固定在原地，而其他的东西则被冲洗掉。然后，研究人员可以使用一种简单、廉价的手持设备来寻找nanorattle发出的光，看看是否捕捉到了任何生物标志物。

在实验中，该测试以100%的准确性确定20个样本是否来自头颈部癌症患者。实验还表明，nanorattle平台能够处理多种类型的纳米探针，这要感谢一种机器学习算法，它可以分离分离的信号，这意味着它们可以同时针对多种生物标记物。这是该小组目前由美国国立卫生研究院资助的项目的目标。

“许多mRNA生物标记物在多种类型的癌症中过度丰富，而其他生物标记物可用于评估患者的风险和未来的治疗结果，”Vo-Dinh说。“同时检测多个生物标志物将帮助我们区分癌症，也可以寻找其他的预后标志物，如人类乳头瘤病毒(HPV)，以及阳性和阴性对照。将mRNA检测与新型nanorattle生物传感相结合，将导致一种诊断工具的范式转变，可能彻底改变在资源匮乏地区检测这些癌症和其他疾病的方式。”

本研究得到美国国立卫生研究院(R01-DE030455-01A1)的支持。

Journal Reference:

1. Joy Qiaoyi Li, Priya Vohra Dukes, Walter Lee, Michael Sarkis, Tuan Vo‐Dinh. Machine learning using convolutional neural networks for SERS analysis of biomarkers in medical diagnostics. Journal of Raman Spectroscopy, 2022; DOI: 10.1002/jrs.6447