AI-Driven SERS for Non-invasive and Label-Free Extracellular Vesicle Detection Across Cellular Origins in Tears and Sweat

ملخص تقني: تقنية SERS المدعومة بالذكاء الاصطناعي للكشف عن الحويصلات خارج الخلوية بدون استخدام علامات وبطريقة غير جراحية

بيان المشكلة
تُعد الحويصلات خارج الخلوية (EVs)، بما في ذلك الإكسوسومات، حاملات حيوية للأحماض النووية والبروتينات والدهون التي تعكس الحالة المرضية للخلايا الأم. وبينما توفر الخزعات السائلة باستخدام الحويصلات خارج الخلوية من السوائل الحيوية مثل الدموع والعرق مسارات واعدة للتشخيص غير الجراحي لأمراض مثل السرطان والاضطرابات العينية، إلا أن طرق الكشف الحالية تواجه قيوداً كبيرة. فالتقنيات التقليدية (مثل TEM وNTA وWestern blot وELISA) غالباً ما تكون مستهلكة للوقت، وتتطلب جهداً مكثفاً، وتحتاج إلى وسم جزيئي محدد أو معالجة مسبقة معقدة. وعلى الرغم من أن مطيافية رامان المحسنة بالسطح (SERS) توفر حساسية عالية وقدرات كشف بدون استخدام علامات، إلا أن تطبيقها لتحديد الحويصلات خارج الخلوية في السوائل الحيوية غير الجراحية (الدموع والعرق) لا يزال غير مستكشف بشكل كافٍ، لا سيما عند التمييز بين الحويصلات ذات الأصول الخلوية المتنوعة دون استخدام وسوم كيميائية.

المنهجية
طورت الدراسة منصة SERS مدعومة بالذكاء الاصطناعي وخالية من الوسامات للكشف السريع والتمييز بين الحويصلات خارج الخلوية. مرت المنهجية عبر المراحل التالية:

1. تحضير العينات وعزلها:
   • الحويصلات خارج الخلوية الخلوية: تم عزل الحويصلات خارج الخلوية من ستة خطوط خلوية (ثلاثة سرطانية: HepG2، Hela، 143B؛ وثلاثة طبيعية: LO-2، BMSC، H8) باستخدام الطرد المركزي التفاضلي. وتم تأكيد التوصيف عبر TEM وNTA وWestern Blotting (المؤشرات الإيجابية CD9/CD81؛ والمؤشر السلبي Calnexin).
   • السوائل الحيوية: تم جمع عينات الدموع من مرضى يعانون من سبعة حالات عينية متميزة (بما في ذلك انسداد الوريد الشبكي، والتنكس البقعي المرتبط بالعمر، واعتلال الشبكية السكري، ومتلازمة العين الجافة، والظفرة، وفرط دهون الدم، ووذمة البقعة الصفراء السكرية). كما تم جمع عينات العرق من ثلاثة متطوعين أصحاء.
2. ركيزة SERS والكشف:
   • تم تصنيع جسيمات الفضة النانوية (AgNPs) عبر اختزال نترات الفضة باستخدام بوروهيدريد الصوديوم.
   • تم استخدام استراتيجية تجميع "محفزة بالملح": حيث تم خلط الحويصلات خارج الخلوية مع جسيمات الفضة النانوية ومحلول بوروهيدريد الصوديوم. حافظ العامل المختزل على نظافة أسطح الجسيمات النانوية مع تحفيز التجميع، مما سهل امتزاز الحويصلات خارج الخلوية على سطح الفضة عبر التفاعلات الكهروستاتيكية مع بقايا الأحماض الأمينية.
   • تم الحصول على أطياف SERS باستخدام ليزر بطول موجي 532 نانومتر (زمن مسح 10-30 ثانية، طاقة 20-30 ميجاوات) في نطاق 600-1800 سم⁻¹.
3. معالجة البيانات والتعلم الآلي:
   • خضعت البيانات الطيفية لتصحيح خط الأساس، والتنعيم، والتقييس.
   • التعلم غير الخاضع للإشراف: استُخدم تحليل المكونات الرئيسية (PCA) وتحليل العنقود الهرمي (HCA) لتصور الاختلافات الطيفية وتقليل الأبعاد.
   • التعلم الخاضع للإشراف: تم تدريب ومقارنة ثلاثة نماذج:
     • PCA-SVM: استُخدم لتصنيف الأصول الخلوية (70% تدريب، 30% اختبار).
     • التعلم العميق: تم تنفيذ الشبكات العصبية التلافيفية (1D-CNN) والوحدات المتكررة ذات البوابات (GRU-RNN) في بيئة PyTorch لتصنيف عينات الدموع إلى فئات مرضية.

المساهمات الرئيسية

• آلية التجميع بدون وسامات: أظهرت الدراسة أن التجميع المحفز ببوروهيدريد الصوديوم يسمح لجسيمات الفضة النانوية بالارتباط ببروتينات سطح الحويصلات خارج الخلوية دون الحاجة لأجسام مضادة محددة. وكشفت محاكاة الديناميكيات الجزيئية أن ذرات الفضة تشكل تفاعلات مستقرة شبيهة بالتنسيق متعدد المناند مع ذرات الأكسجين في هيكل الكربونيل والكروبوكسيلات الجانبية (مثل Asp، Glu، Asn، Gln)، مما يوفر آلية كشف قوية بدون وسامات.
• التمييز بين الأصول الخلوية: نجحت المنصة في التمييز بين الحويصلات خارج الخلوية من ستة خطوط خلوية مختلفة (سواء كانت سرطانية أو طبيعية) بناءً على بصماتها الجزيئية الجوهرية.
• تحليل السوائل الحيوية غير الجراحية: تم توسيع الطريقة لتشمل عينات سريرية واقعية، حيث نجحت في اكتشاف بصمات الحويصلات خارج الخلوية في الدموع والعرق دون خطوات فصل أو وسم كيميائي.
• الأداء المقارن للذكاء الاصطناعي: قيمت الدراسة بشكل منهجي أداء SVM مقابل نماذج التعلم العميق (CNN وRNN) للتصنيف متعدد الفئات للأمراض، مما وفر بيانات تجريبية حول أدائها النسبي في تحليل أطياف SERS.

النتائج

• التمييز الخلوي: حقق نموذج PCA-SVM دقة بلغت 94.4% في التمييز بين الحويصلات خارج الخلوية من الخطوط الخلوية الستة المختلفة. وبينما أظهر PCA ثنائي الأبعاد بعض التداخل، وفر PCA ثلاثي الأبعاد (باستخدام PC1 وPC2 وPC3) فصلاً واضحاً.
• الرؤى الجزيئية: كشف التحليل الطيفي عن قمم مميزة: أظهرت الحويصلات خارج الخلوية للخلايا الطبيعية قمم Amide I مهيمنة (1654 سم⁻¹)، بينما أظهرت حويصلات الخلايا السرطانية اهتزازات الفينيل ألانين المميزة (997 سم⁻¹).
• تطبيق السوائل الحيوية:
  • العرق: نجح تحليل PCA في فصل عينات العرق من ثلاثة متطوعين مختلفين، مما يشير إلى وجود بصمات طيفية خاصة بكل فرد.
  • الدموع: ميزت المنصة عينات الدموع من سبع مجموعات مرضية والمجموعات الضابطة السليمة.
• أداء الخوارزميات: بالنسبة للتصنيف متعدد الفئات للأمراض العينية في عينات الدموع، تفوقت نماذج التعلم العميق على نموذج SVM التقليدي:
  • CNN: دقة 97.2%.
  • RNN: دقة 96.9%.
  • SVM: دقة 88.4%.
  • ويعزو المؤلفون الأداء المتفوق لنماذج التعلم العميق إلى قدرتها على التقاط الميزات الطيفية الدقيقة والمعقدة التي قد تفوتها المصنفات الخطية.

الأهمية والادعاءات
تدعي الورقة تقديم منصة متعددة الوظائف ومتنوعة تتيح الكشف السريع وغير الجراحي للحويصلات خارج الخلوية بدون استخدام وسامات. ومن خلال الجمع بين تقنية SERS والذكاء الاصطناعي، تقدم الدراسة أداة:

1. تولد إشارات حويصلات خارج خلوية عالية التكرار والانتقائية من الدموع والعرق دون الحاجة إلى وسم كيميائي أو فصل معقد.
2. توفر نهجاً جديداً للتشخيص السريع للأمراض السريرية، حيث أظهرت بوضوح إمكانات في فحص الأمراض العينية متعددة الفئات.
3. تستخدم أحجام عينات صغيرة (10 ميكرولتر) وتحقق دقة عالية حتى مع بيانات تدريب محدودة.
4. تقدم أساساً لاختبارات نقاط الرعاية المستقبلية والطب الشخصي من خلال تحليل التركيب الجزيئي للحويصلات خارج الخلوية عبر مختلف الأصول الخلوية والحالات المرضية.

يؤكد المؤلفون أن هذه الاستراتيجية تحقق كشفاً فائق الحساسية ومقاوماً للتداخل، مما يوفر اتجاهاً جديداً لاستقصاء تركيب الحويصلات خارج الخلوية، والتواصل بين الخلايا، وآليات المرض.