Nano Lett新突破：AI+冻融金纳米颗粒指纹技术，低成本高通量检测sEVs，赋能癌症精准诊断

癌症是全球范围内威胁人类健康的重大疾病，乳腺癌、肺癌等常见癌症发病率与死亡率居高不下。“早发现、早诊断”是提升癌症治疗效果和患者生存率的关键，但传统诊断手段如组织活检具有侵入性，影像学检查和分子检测则存在成本高、准确性不足等问题，在资源有限地区推广难度较大。液体活检作为无创诊断技术，通过检测血液中的循环肿瘤细胞（CTCs）、小细胞外囊泡（sEVs）等标志物，为癌症早期诊断提供新方向，然而现有sEVs检测方法多依赖复杂设备，流程繁琐且成本高昂，难以广泛应用。

近日，华中科技大学团队在Nano Lett发表重要研究Decoding Liquid Biopsy with AI: Freeze-Thaw-Induced Fingerprints in Small Extracellular Vesicles，提出基于冻融诱导金纳米颗粒漂浮模式（FTFPA）的癌症分类平台，结合智能手机成像与AI分析，有效解决了上述痛点。

该平台核心是利用冻融过程诱导金纳米颗粒（AuNPs）形成独特漂浮模式（FTFPA），再通过智能手机采集图像并结合AI分析。研究团队先对三种不同尺寸AuNPs表征，发现冻融后它们呈现不同聚集形态——AuNPs1和AuNPs2致密聚集，AuNPs3松散聚集。TEM证实AuNPs尺寸均一且有预期差异，UV-vis显示冻融后AuNPs的表面等离子体共振（SPR）峰消失，zeta电位降低，均验证了冻融介导的AuNPs聚集，为FTFPA形成提供依据。研究团队还开发了自动化成像系统，1.5分钟可处理96个样本，成本仅为传统显微镜的1%，兼顾效率与经济性。

图1：基于CTCs和sEVs的FTFPA癌症亚型分类平台示意图

在细胞和sEVs检测实验中，研究人员选取9种细胞系（4种癌细胞系、2种正常细胞系）及其分泌的sEVs，分别与三种AuNPs混合冻融生成FTFPA。采用9种经典CNN模型分析，MobileNetV3Large在CTCs分类中F1分数达0.898，MobileNetV3Small在sEVs分类中F1分数为0.891。跨三个独立实验室的重复性验证显示，组内相关系数均超0.95，证实方法的稳定性与可靠性。自动化成像平台与图像预处理流程的优化，进一步保障了图像采集的一致性和后续AI分析的准确性。

图2：CTCs与AuNPs体系冻融反应表征及自动化成像平台与图像预处理流程示意图

图3：基于FTFPA的CTCs和sEVs分类性能评估

临床验证阶段，研究团队收集72例临床样本（含健康对照、乳腺结节患者及4种乳腺癌亚型患者），通过iExoDisc技术分离sEVs后，与三种AuNPs混合冻融生成FTFPA，采用MobileNetV3Small模型分析。结果显示，模型对临床样本分类F1分数达0.814，其中Luminal A和Luminal B亚型诊断准确率分别为0.92和0.96，AUROC值分别为0.99和0.97，AUPR均超0.9。从576例数据中随机选取90例样本进行外部验证，预测结果与真实标签高度一致，证实平台的临床应用潜力。

图4：基于临床乳腺癌sEVs数据集的MobileNetV3Small性能评估

研究还阐明了FTFPA形成机制：冻融前AuNPs因静电排斥均匀分散；冷冻时冰晶将AuNPs与靶标限制在微室，局部浓度升高促进弱相互作用导致聚集；解冻时浮力与气泡辅助聚集物上浮，完全融化后表面张力牵引聚集物至气液界面中心，形成直径0.5-1毫米的特征FTFPA。

综上，这项研究整合冻融金纳米颗粒指纹技术、智能手机成像与AI分析，构建了低成本、高通量、高准确性的癌症诊断平台。其单样本试剂成本低于0.5美元，1.5分钟可处理96个样本，在细胞、sEVs及临床样本检测中均展现优异分类性能。该便携高效的诊断方案，尤其适合资源有限地区的床旁诊断，为癌症精准诊断技术普及提供新路径，也为液体活检领域的技术创新与临床转化奠定重要基础。（生物谷Bioon.com）

参考文献：

Zhu X, Xie H, Chen K, et al. Decoding Liquid Biopsy with AI: Freeze-Thaw-Induced Fingerprints in Small Extracellular Vesicles. Nano Lett. Published online September 17, 2025. doi:10.1021/acs.nanolett.5c03217