CN115524321A - 一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法 - Google Patents
一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法 Download PDFInfo
- Publication number
- CN115524321A CN115524321A CN202211239742.0A CN202211239742A CN115524321A CN 115524321 A CN115524321 A CN 115524321A CN 202211239742 A CN202211239742 A CN 202211239742A CN 115524321 A CN115524321 A CN 115524321A
- Authority
- CN
- China
- Prior art keywords
- breast cancer
- agnps
- psb
- sers
- substrate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C18/00—Chemical coating by decomposition of either liquid compounds or solutions of the coating forming compounds, without leaving reaction products of surface material in the coating; Contact plating
- C23C18/16—Chemical coating by decomposition of either liquid compounds or solutions of the coating forming compounds, without leaving reaction products of surface material in the coating; Contact plating by reduction or substitution, e.g. electroless plating
- C23C18/18—Pretreatment of the material to be coated
- C23C18/1851—Pretreatment of the material to be coated of surfaces of non-metallic or semiconducting in organic material
- C23C18/1896—Pretreatment of the material to be coated of surfaces of non-metallic or semiconducting in organic material by electrochemical pretreatment
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C18/00—Chemical coating by decomposition of either liquid compounds or solutions of the coating forming compounds, without leaving reaction products of surface material in the coating; Contact plating
- C23C18/16—Chemical coating by decomposition of either liquid compounds or solutions of the coating forming compounds, without leaving reaction products of surface material in the coating; Contact plating by reduction or substitution, e.g. electroless plating
- C23C18/31—Coating with metals
- C23C18/42—Coating with noble metals
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25F—PROCESSES FOR THE ELECTROLYTIC REMOVAL OF MATERIALS FROM OBJECTS; APPARATUS THEREFOR
- C25F3/00—Electrolytic etching or polishing
- C25F3/02—Etching
- C25F3/12—Etching of semiconducting materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Medical Informatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Pathology (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明为一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法。一种AgNPs/PSB复合SERS基底的制备方法,包括以下步骤:(1)采用p型掺硼单晶硅片,进行阳极电化学腐蚀,制备布拉格反射镜作为衬底;(2)采用浸镀法在所述的衬底上进行原位合成AgNPs后,进行热处理,得所述的AgNPs/PSB复合SERS基底。本发明所述的一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法,在用于快速筛查乳腺癌具有潜力。
Description
技术领域
本发明具体涉及一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法。
背景技术
乳腺癌是发生在女性乳腺上最常见的恶性肿瘤之一,在2020年发病率约为230万,占世界癌症病例总数的11.7%。美国癌症协会在2022年估计,美国女性将诊断出约287,850例乳腺癌新病例,死亡率约为15%,严重损害了妇女的健康,影响了她们的生活质量。
在过去医疗行业发展的几十年里,影像技术的发展提高了乳腺癌的诊断水平。常用的乳腺癌医疗诊断方法有X射线、超声、磁共振成像(MRI)、电子计算机断层扫描(CT)、正电子发射断层扫描(PET)等。尽管乳腺癌的诊断和治疗取得极大进步,但常规诊断方法仍存在一些缺陷,如价格昂贵、侵袭性强、过于依赖医生的经验。在诊断过程中不仅耗时,而且还受仪器、方法等客观因素的影响,存在灵敏度较低的问题,亟需寻找一种操作简单、成本低廉并且准确无创的诊断方法。
有鉴于此,本发明提出一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法,为无损、便捷的癌症筛查建立基础。
发明内容
本发明的目的在于提供一种AgNPs/PSB复合SERS基底的制备方法,该制备方法可以提高基底的灵敏度。
为了实现上述目的,所采用的技术方案为:
一种AgNPs/PSB复合SERS基底的制备方法,包括以下步骤:
(1)采用p型掺硼单晶硅片,进行阳极电化学腐蚀,制备布拉格反射镜作为衬底;
(2)采用浸镀法在所述的衬底上进行原位合成AgNPs后,进行热处理,得所述的AgNPs/PSB复合SERS基底。
进一步的,所述的步骤(1)中,依次使用丙酮、无水乙醇和去离子水把所述的p型掺硼单晶硅片清洗后,放入腐蚀液中,进行电流腐蚀,再冲洗干净后,干燥;
所述的步骤(2)中,将所述的衬底浸泡在0.01M的AgNO3溶液中45-55s。
再进一步的,所述的腐蚀液由40wt%的氢氟酸溶液和无水乙醇按照体积比为1:1混合而成;
所述的热处理为在空气气氛中、280-320℃下处理1h。
再进一步的,所述的电流腐蚀中高、低折射率层电流密度分别为65mA/cm2和115mA/cm2,腐蚀时间分别为1.2s、1s;
在腐蚀过程中,每电流腐蚀一次后,停顿3s。
所述的热处理为在空气气氛中、300℃下处理1h。
本发明的另一个目的在于提供一种AgNPs/PSB复合SERS基底,采用上述制备方法制备而成,该基底对血清的拉曼光谱(RS)信号增强效果更好。
本发明还有一个目的在于提供一种基于SERS的乳腺癌的分类模型的建立方法,该建立方法使用表面增强拉曼光谱(SERS)技术,基于上述的灵敏度高的热退火银纳米粒子/多孔硅布拉格反射镜(AgNPs/PSB)复合基底对血清的拉曼光谱(RS)信号增强,有助于准确、便捷的癌症筛查。
一种乳腺癌的分类模型的其建立方法,包括以下步骤:
(1)采集健康对照组和乳腺癌患者的新鲜血液,静置后离心,提取血清,获得血清样本;
(2)将所述的血清样本分别滴到权利要求5所述的AgNPs/PSB复合SERS基底上,测定SERS光谱数据;
(3)对所述的SERS光谱数据进行基线校正,得处理后的光谱数据;
(4)对所述的处理后的光谱数据进行PCA降维后,建立分类模型,得所述的乳腺癌的分类模型。
进一步的,所述的步骤(2)中,所述的健康对照组和乳腺癌患者的血清样本分别至少采集14例;
所述的步骤(2)中,激发波长为785nm的YAG激光器,物镜为10X,积分时间为15s,激光功率为160mW,样品表面功率为112兆瓦。
再进一步的,所述的步骤(2)中,测定血清样品在500-2000cm-1范围内的拉曼光谱。
进一步的,所述的步骤(4)中,建立SVM分类模型。
与现有技术相比,本发明的有益效果在于:
液体活检是目前一种无损、便捷的癌症筛查方法,由于人体血液中含有多种与癌症相关的生物分子。因此,结合乳腺癌血清开发一种准确且快速的乳腺癌筛查技术,对乳腺癌患者的治疗和预后至关重要。本发明使用表面增强拉曼光谱(SERS)技术,基于灵敏度高的热退火银纳米粒子/多孔硅布拉格反射镜(AgNPs/PSB)复合基底对血清的拉曼光谱(RS)信号增强。相比于RS,SERS反映了更多、更强的光谱峰值信息,有利于发现乳腺癌新的生物标记物。同时为进一步探索SERS技术对乳腺癌的诊断能力,本发明通过基线校正、多项式平滑和归一化对原始光谱数据处理,接着对SERS和RS通过主成分分析(PCA)提取相关特征信息,并建立五种分类模型,分别比较了SERS和RS的模型诊断性能。实验结果表明,基于改进的SERS基底结合机器学习算法构建的乳腺癌诊断模型,可用于区分乳腺癌患者和对照组,其中SVM模型的准确率、灵敏度、特异性和AUC值都为1且训练时间为4ms。以上实验结果说明基于AgNPs/PSB复合基底的SERS技术,结合机器学习方法,在快速精准识别乳腺癌患者方面有巨大的潜力。
附图说明
图1为平均血清拉曼光谱图;
图2(a)为健康群体平均对比光谱图,图2(b)为乳腺癌患者平均对比光谱图;
图3为表面增强拉曼光谱乳腺癌平均光谱图。
具体实施方式
为了进一步阐述本发明一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法,达到预期发明目的,以下结合较佳实施例,对依据本发明提出的一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法,其具体实施方式、结构、特征及其功效,详细说明如后。在下述说明中,不同的“一实施例”或“实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
下面将结合具体的实施例,对本发明一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法做进一步的详细介绍:
目前,在临床实践中液体活检通过分析体液中的肿瘤生物标志物进行诊断。与组织活检相比,能够实现早期癌症检测。同时血液分析被认为是一种替代和常用的癌症筛查方法。此外,液体活检具有操作简单,能够在多个时间点重复进行的优点,是跟踪癌症进展和癌症筛查的理想工具。
虽然拉曼光谱提供了丰富的物质信息,但是由于生物流体的拉曼散射信号散射截面极小,受荧光信号干扰等问题,导致拉曼信号比荧光信号小几个数量级,在体液中主要代谢产物的浓度可能低于常规拉曼散射的检测。同时拉曼信号较低的灵敏度也是该技术的主要局限。因此,为了实现生物样品的高灵敏度,需要对散射强度进行增强。
近年来,在活体检验、生物医学和医学辅助诊断领域中,SERS技术能显著增强血清等生物样品的拉曼信号强度而被广泛使用。许多团体开展了关于血清或血浆样本SERS的相关研究。本发明究以多孔硅布拉格反射镜为衬底,使用电化学腐蚀法、原位还原法和热处理法,设计出的热退火AgNPs/PSB复合SERS基底具有稳定性好,灵敏度高的特点。同时,与功能强大的机器学习算法结合可以进一步扩宽SERS技术的应用场景,实现对乳腺癌的快速筛查。例如,有人首次使用纳米颗粒增强拉曼信号,对采集的乳腺癌患者的血清SERS,结合PCA-LDA统计算法对光谱数据进行分析,证明了SERS技术结合机器学习算法是一种很好的用于血清样本的乳腺癌检测方法。同时有人,基于银纳米颗粒的血清SERS结合PLS-LDA模型实现对乳腺癌不同阶段的分类判别,相比于RS具有更高的灵敏度和特异性。
本发明基于AgNPs/PSB复合基底的SERS方法用于增强RS信号,旨在对RS和SERS患者及其对照组进行比较,发现乳腺癌诊断的新的生物标记物。同时为了进一步验证该SERS在疾病快速筛查中的有效性,使用基线校正(airPLS)、多项式平滑(SG)主成分分析(PCA)方法,结合K近邻(KNN)、极限学习机(ELM)、支持向量机(SVM)、逻辑斯谛回归(LR)和决策树(DT)五种机器学习分类算法,对比RS与SERS乳腺癌诊断模型性能。实验结果表明,优化的AgNPs/PSB复合基底SERS技术对疾病的快速临床诊断有极大的提高,发现的新的生物标记物有利于促进未来乳腺癌辅助治疗的发展。
实施例1.
A材料和方法
(1)实验材料
本实验共收集乳腺癌样本共28例血清,其中乳腺癌患者样本14例,健康对照组14例。将采集好的血清样品以4000·RCF高速离心,提取最上层的透明液体,以4℃获得血清,然后在测试前将血清置于-80℃的冰箱中。本研究所有的血液样本都来自新疆医科大学附属肿瘤医院,已经申请并批准了签署受试者知情同意书的豁免,获得伦理委员会的批准。
p型掺硼单晶硅(晶向<100>,电阻率0.03-0.06Ω·cm,厚度400±10μm),(单晶硅购自天津半导体技术研究所(中国,天津)。硝酸银99.8%(AgNO3)、氢氟酸和酒精购自国药集团化学试剂有限公司。化学品均为分析级,且未经进一步提纯。
(2)RS和SERS数据采集
待血清样品解冻后,使用移液器取出10μL的血清滴到铝箔上,在室温下干燥后直接测量RS信号。同样用移液器取出10μL滴在制作的基底上,在室温的条件下干燥10分钟,使其和基底充分接触反应直接测试其SERS光谱。使用高分辨率共聚焦拉曼光谱仪(LabRAM HREvolution,gora Raman spectroscopy,ideaoptics,China),激发波长为785nm的YAG激光器,物镜为10X,积分时间为15s,激光功率为160mW,样品表面功率为112兆瓦。测定血清样品在500-2000cm-1范围内的拉曼光谱,每个血清样品测试3次,并记录3个不同的光谱信号。共获得乳腺癌患者RS数据42条,对照组42条;获得乳腺癌患者SERS数据42条,对照组SERS数据42条。
(3)基底制备
①PSi布拉格反射镜的制备
本实验采用p型掺硼单晶硅,使用单槽阳极电化学腐蚀制备PSi布拉格反射镜。首先,将硅片切成小正方形2cm×2cm,依次使用丙酮、无水乙醇和去离子水把硅片放在超声波清洗机中清洗10min,去除表面灰尘、油脂、水等杂质,进而减少杂质对腐蚀操作的影响,同时把清洗后的硅片放入腐蚀槽中。接着将40wt%的HF溶液和无水乙醇按照体积比1:1混合配置成腐蚀液,倒入固定好硅片的腐蚀槽中,然后打开Labview(美国NationalInstruments公司)程序,设置高、低折射率层电流密度分别为65mA/cm2和115mA/cm2腐蚀时间分别为1.2s和1s。在腐蚀过程中,为保证获得足够的氟化物及腐蚀的均匀性,在通风环境下每形成一层Psi时间需要停顿3s(即每电流腐蚀一次停顿3s)。最后将腐蚀好的Psi使用去离子水冲洗干净,置于氮气环境中干燥,制备出PSi布拉格反射镜。PSi布拉格反射镜的反射光谱由分辨率为0.1nm的紫外可见分光光度计(日立U-4100,购买于日本Hitachi公司)测得。
②热处理AgNPs/PSB SERS基底的合成
本实验首先采用浸镀法在PSB衬底(即①中制备的PSi布拉格反射镜)上进行原位合成AgNPs。由于沉积在PSB上银纳米粒子的粒径大小和形态结构主要取决于浸入溶液中金属盐的浓度和沉积时间。本实验通过将制备好的PSB衬底浸泡在浓度为0.01M的AgNO3溶液,浸泡时间为50s,使得银纳米颗粒的形貌呈较为规则的椭球状或圆球状,粒径约为10-70nm,从而使血清能与贵金属分子充分接触。此外,由于Si-H键具有还原性特点,应用PSB表面存在大量的Si-H键将银纳米粒子还原在PSB表面,进而完成了AgNPs在PSB上的原位合成。
接着为改善银纳米颗粒的形貌结构,将制备的衬底在空气气氛中,经过300℃的温度进行热处理1h,在此条件下的退火操作能够优化银纳米粒子结构和粒径,从而使基底效能最大化。经过上述操作就合成了热处理AgNPs/PSB复合SERS基底。
(4)数据处理与分析
本实验选取500-2000cm-1范围内的血清光谱波段进行生物医学研究。由于光谱仪在采集原始血清拉曼光谱过程中,易受噪声、荧光背景等因素影响,对获取的拉曼信号需进行基线校正,进而得到更有效的信息。本研究采用airPLS方法对血清RS和SERS数据进行基线校正,校正后的数据原始数据,采用Origin软件对血清样本数据使用SG平滑,平滑点数为10。最后将血清样本分别按患病和健康为7:3划分训练集和测试集,其中单个样本的数据仅出现在训练集或测试集中。
KNN首先计算训练数据的欧氏距离。对所有距离进行排序,选择间隔距离最小的前k个样本。然后计算出k个样本中大部分的类别,并作为k个样本的类别,是一种经典的无监督学习模型。
SVM通过内积核函数代替向高维空间的非线性映射,能够解决线性不可分问题。通过计算决策平面与最近数据之间的间隔,保持所有的点都尽可能的远离超平面。利用最大区间来做出最能区分不同样本的决策平面。
ELM是一种基于前馈神经网络的机器学习算法。隐层节点的权值可以随机或人为设置,在网络学习过程中不需要更新。因此,ELM具有学习速度快、泛化能力强的优点。
DT算法基于二元划分策略,以树状结构表示数据分类的结果。包括一个根节点、若干个内部节点和若干个叶节点。每个分支代表一个测试输出,每个叶节点代表一种类别。决策树学习的目的就是构建一棵泛化能力强的决策树。
LR回归又称为对数几率回归,是一个经典的二分类模型。由于其输出为没有约束的连续值,采用最大似然估计方法对现有数据建立回归公式,从而实现对数据的分类。
B实验结果
(1)拉曼光谱数据分析
如图1表示乳腺癌患者血清拉曼光谱具有较大差别的七个峰值,光谱在573、630、852、996、1057、1259、1446、1528、1583和1650cm-1处存在较大的峰值强度差异,尤其是在630、852、996、1259和1446cm-1处。结合表1,这些峰值强度上的不同,体现出患者和对照组间的生物分子差异,可作为乳腺癌分类的理论基础。
表1:RS和SERS峰位置和物质分配
(2)SERS数据分析
使用银纳米颗粒的粒经约为10-70nm,对乳腺癌患者和对照组的血清样本进行了SERS研究。由于其化学活性低,银或金应该是更适合与血清样品混合的金属。为了得到SERS光谱,根据“材料”部分的描述,制备出热处理AgNPs/PSB的SERS基底并取少量相同的血清样本放置基底上,在温室条件下干燥10分钟,使血清与基底充分接触后测量出SERS数据。
图2(a)显示了健康群体RS与SERS的差异,在健康群体血清中SERS峰值强度高于RS,其中增强的峰值有630、718、1123、1191、1583和1650cm-1。图2(b)显示了乳腺癌患者患者的RS与SERS的差异,在乳腺癌患者血清中SERS峰值强度明显高于RS,其中增强的峰值有630、718、786、980、1057、1123、1191、1322、1369、1446、1528、1583和1650cm-1。对比图2(a)与图2(b),可以发现,相比于健康群体的SERS峰值变化,乳腺癌患者的SERS峰值变化更为明显,特别在718、980、1123、1191、1322和1369cm-1处。
如图3所示,乳腺癌与对照组血清的SERS有明显的差异。相比于图1的平均血清拉曼光谱图,乳腺癌血清SERS峰值强度明显高于对照组,其中增强的峰值有573、630、1057、1446、1528、1583和1650cm-1。同时通过SERS技术对RS信号增强后,与常规拉曼光谱特征比较,在乳腺癌血清样品的SERS光谱数据中单独观察到的峰值有:718、786、980、1123、1191、1322和1369cm-1。
相关研究表明乳腺癌与女性患者乳腺癌易感基因1(BRCA1)的缺失有关。值得注意的是,由于女性乳腺癌患者中BRCA1基因的缺失,会导致血清中脂质物质浓度的增加。在本研究中,与对照组相比,乳腺癌患者SERS中脂质(1057和1123cm-1)的峰值强度显著更高,与上述研究保持一致。
同样,乳腺癌患者血清中蛋白质和胶原蛋白浓度的增加也有报道。由于血浆在人体器官的循环过程中,因为某些生理事件,包括血管基底膜损伤、细胞死亡和组织创伤,因此需要从原始位置释放出蛋白质和胶原蛋白,从而导致蛋白质和胶原蛋白浓度的增加。在本研究中,乳腺癌患者的蛋白质和胶原蛋白浓度在980、1322、1369和1446cm-1上发生了显著变化。相关研究表明乳腺癌患者血清中的氨基酸,包括酪氨酸(Tyr)和缬氨酸(Val)水平与健康体检者相比存在差异,该差异有助于乳腺癌筛查;因此,本研究可以很好地将乳腺癌导致的较高氨基酸水平联系在一起,观察到一些重要的SERS峰值,包括573、630、718、786、852、1191、1259、1583和1650cm-1。
根据上述研究,相比于RS反映的物质信息,SERS反映出更多且峰值强度差异性更大的物质信息,这些物质有利于提高乳腺癌筛查的准确率。同时,这些峰值也可以作为SERS与RS的区分波段。此外,发现了胶原蛋白和缬氨酸可以作为诊断乳腺癌的生物标志物,进一步表明血清SERS检测能够作为一种有前景的乳腺癌筛查方法的潜力。
(3)模型结果
为了进一步验证AgNPs/PSB复合基底SERS技术,对乳腺癌的快速诊断快有极大的提高。首先对乳腺癌患者的血清SERS与RS使用airPLS、SG平滑和PCA降维数据处理后,将提取的光谱特征结合KNN、SVM、ELM、DT、LR五种机器学习算法实现对乳腺癌患者的诊断。其中通过网格搜索算法最终设定SVM模型中的参数C=0.001,g=0.05,kernel='linear';KNN模型中n=5;EML的隐藏单元设置为316;DT模型中max_depth=9。
结合表2和表3,反映了RS和SERS的KNN、SVM、ELM、DT、LR五种不同的机器学习模型的准确率、灵敏度、特异性、AUC值和训练时间。可以发现,基于SERS技术的分类模型,准确率、灵敏度、特异性、AUC值和训练时间一般都要高于RS的分类模型。其中基于血清SERS的SVM模型训练效果最佳为1,同时训练时间也为4ms。此外,SERS在无监督模型KNN也表现出远超RS的分类性能。
表2:健康和乳腺癌样本拉曼光谱模型分类结果
表3:健康和乳腺癌样本表面增强拉曼光谱模型分类的结果
本研究基于AgNPs/PSB复合基底的SERS技术,针对乳腺癌患者血清结合机器学习算法开展诊断研究。识别乳腺癌患者血清中相关生物标记物,以取代复杂和昂贵的乳腺癌常规检测方法,对于提高乳腺癌的诊断和治愈率有重要意义。
通过对比RS增强前后的光谱图像发现,虽然RS患者和对照组的部分峰值强度存在一些差异性,但这种差异的量级较小,难以从光谱图上直观对乳腺癌患者进行判别。反观SERS能够反映出峰值在718、786、980、1123、1191、1322和1369cm-1上差异性微弱的物质。这些峰值的强度差异与乳腺癌患者的临床表现相符。同时,通过SERS增强发现了有助于识别乳腺癌相关的生物标记物缬氨酸和胶原蛋白。
结合KNN、SVM、ELM、DT和LR五种算法模型,分别从准确率、灵敏度、特异性、AUC值和训练时间五项指标,对RS与SERS的诊断性能进行比较。如表2和表3所示,SERS训练的模型表现出较强的分类性能,同时在灵敏度和特异性指标上也高于RS模型性能。其中SVM、ELM和LR模型的准确率、灵敏度、特异性和AUC值达到了100%的效果。此外,对比KNN模型分类结果发现,SERS数据在无监督模型中也表现出更好的分类性能。
在本研究中,基于SRES技术,采用热退火银纳米粒子/多孔硅布拉格反射镜复合基底对血清RS信号进行增强。通过分析SERS的乳腺癌患者和对照组发现,乳腺癌患者血清中的缬氨酸和胶原蛋白物质,可以作为诊断乳腺癌的生物标记物。同时蛋白质、碱基、类胡萝卜素、脂质等峰值强度的增强,有利于分类模型对乳腺癌疾病的诊断。此外,SVM模型表现出最佳分类性能。其准确率、灵敏度、特异性和AUC值都为1,且模型训练时间为4ms,能实现对乳腺癌患者的有效分类。因此,采用的AgNPs/PSB复合基底结合机器学习算法用于乳腺癌疾病的诊断,为快速无创的诊断乳腺癌疾病提供了一种参考方案,进而能够有效提高乳腺癌患者诊断的准确率和治愈率。
以上所述,仅是本发明实施例的较佳实施例而已,并非对本发明实施例作任何形式上的限制,依据本发明实施例的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明实施例技术方案的范围内。
Claims (10)
1.一种AgNPs/PSB复合SERS基底的制备方法,其特征在于,包括以下步骤:
(1)采用p型掺硼单晶硅片,进行阳极电化学腐蚀,制备布拉格反射镜作为衬底;
(2)采用浸镀法在所述的衬底上进行原位合成AgNPs后,进行热处理,得所述的AgNPs/PSB复合SERS基底。
2.根据权利要求1所述的制备方法,其特征在于,
所述的步骤(1)中,依次使用丙酮、无水乙醇和去离子水把所述的p型掺硼单晶硅片清洗后,放入腐蚀液中,进行电流腐蚀,再冲洗干净后,干燥;
所述的步骤(2)中,将所述的衬底浸泡在0.01M的AgNO3溶液中45-55s。
3.根据权利要求2所述的制备方法,其特征在于,
所述的腐蚀液由40wt%的氢氟酸溶液和无水乙醇按照体积比为1:1混合而成;
所述的热处理为在空气气氛中、280-320℃下处理1h。
4.根据权利要求3所述的制备方法,其特征在于,
所述的电流腐蚀中高、低折射率层电流密度分别为65mA/cm2和115mA/cm2,腐蚀时间分别为1.2s、1s;在腐蚀过程中,每电流腐蚀一次后,停顿3s;
所述的热处理为在空气气氛中、300℃下处理1h。
5.一种AgNPs/PSB复合SERS基底,其特征在于,所述的AgNPs/PSB复合SERS基底采用权利要求1-4任一项所述的制备方法制备得到。
6.一种乳腺癌的分类模型的其建立方法,其特征在于,包括以下步骤:
(1)采集健康对照组和乳腺癌患者的新鲜血液,静置后离心,提取血清,获得血清样本;
(2)将所述的血清样本分别滴到权利要求5所述的AgNPs/PSB复合SERS基底上,测定SERS光谱数据;
(3)对所述的SERS光谱数据进行基线校正,得处理后的光谱数据;
(4)对所述的处理后的光谱数据进行PCA降维后,建立分类模型,得所述的乳腺癌的分类模型。
7.根据权利要求6所述的建立方法,其特征在于,
所述的步骤(2)中,所述的健康对照组和乳腺癌患者的血清样本分别至少采集14例;
所述的步骤(2)中,激发波长为785nm的YAG激光器,物镜为10X,积分时间为15s,激光功率为160mW,样品表面功率为112兆瓦。
8.根据权利要求7所述的建立方法,其特征在于,
所述的步骤(2)中,测定血清样品在500-2000cm-1范围内的拉曼光谱。
9.根据权利要求6所述的建立方法,其特征在于,
所述的步骤(4)中,建立SVM分类模型。
10.一种乳腺癌的分类模型,其特征在于,采用权利要求6-9任一项所述的建立方法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239742.0A CN115524321A (zh) | 2022-10-11 | 2022-10-11 | 一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239742.0A CN115524321A (zh) | 2022-10-11 | 2022-10-11 | 一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115524321A true CN115524321A (zh) | 2022-12-27 |
Family
ID=84701264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239742.0A Pending CN115524321A (zh) | 2022-10-11 | 2022-10-11 | 一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115524321A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030032A (zh) * | 2023-02-16 | 2023-04-28 | 四川省肿瘤医院 | 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质 |
-
2022
- 2022-10-11 CN CN202211239742.0A patent/CN115524321A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030032A (zh) * | 2023-02-16 | 2023-04-28 | 四川省肿瘤医院 | 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stone et al. | Raman spectroscopy for identification of epithelial cancers | |
US20060281068A1 (en) | Cytological methods for detecting a disease condition such as malignancy by Raman spectroscopic imaging | |
US20060253261A1 (en) | Digitizing biology | |
Smith et al. | Raman spectral mapping in the assessment of axillary lymph nodes in breast cancer | |
Yan et al. | Discrimination of parotid neoplasms from the normal parotid gland by use of Raman spectroscopy and support vector machine | |
US20120200850A1 (en) | Cytological methods for detecting a condition such as transplant efficiency by raman spectroscopic imaging | |
das Chagas e Silva de Carvalho et al. | Diagnosis of inflammatory lesions by high-wavenumber FT-Raman spectroscopy | |
Cheng et al. | Application of serum SERS technology based on thermally annealed silver nanoparticle composite substrate in breast cancer | |
CN115524321A (zh) | 一种AgNPs/PSB复合SERS基底及制备方法、乳腺癌的分类模型及建立方法 | |
Huang et al. | The application of silver nanoparticle based SERS in diagnosing thyroid tissue | |
Li et al. | Discrimination of breast cancer from normal tissue with Raman spectroscopy and chemometrics | |
Krishna et al. | Anatomical variability of in vivo Raman spectra of normal oral cavity and its effect on oral tissue classification | |
CN113702349A (zh) | 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法 | |
CN1804593A (zh) | 单细胞拉曼光谱判别上皮细胞癌症性质的方法 | |
CN116030032A (zh) | 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质 | |
CN110118765A (zh) | 一种sers基底的制备及其在癌症检测方面的应用 | |
Dramicanin et al. | Discrimination between normal and malignant breast tissues by synchronous luminescence spectroscopy | |
WO2007011571A2 (en) | Digitizing biology | |
Jain et al. | RAMAN SPECTROSCOPY STUDY OF HEALTHY AND CANCEROUS HUMAN BREAST TISSUE FOR CANCER DETECTION. | |
Varghese et al. | Micro raman spectroscopic analysis on blood serum samples of ductal carcinoma patients | |
Ou et al. | Applying Serum Raman and Fluorescence Spectra to Liver Cancer Diagnosis | |
Al-Sammarraie et al. | Human blood plasma SERS analysis using silver nanoparticles for cardiovascular diseases detection | |
CN114384057B (zh) | 一种基于拉曼光谱的肿瘤早期诊断系统 | |
Irungu et al. | Concurrent Machine learning Assisted Raman Spectroscopy of Whole Blood and Saliva for Breast Cancer Diagnostics | |
Githaiga et al. | Concurrent Machine learning Assisted Raman Spectroscopy of Whole Blood and Saliva for Breast Cancer Diagnostics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |