社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Nano Today | 郑州大学陈俊阳等团队研究发现Gold@silver-ZIF 自组装双增强发光与机器学习监测炎症稳态

iNature • 1 年前 • 404 次点击  

iNature

在充满致病因素的自然环境中,维持最佳的炎症稳态对于机体持续生存至关重要。实时、精确地检测炎症状态下两种拮抗细胞因子(促炎和抗炎)对于指导精准的临床治疗,从而实现炎症稳态至关重要。
2025年4月26日,郑州大学陈俊阳、中国人民解放军Wang Kun和郑州大学许建中共同通讯在Nano Today在线发表题为“Self-assembled Gold@silver-ZIF structure-induced dual-enhancement luminescence synergized with interpretable machine learning empower precise monitoring of inflammatory homeostasis”的研究论文。该研究合成了 AuAg-ZIF,通过表面 Ag(I) 和核心 Au (0) 之间的反原电池反应以及 ZIF-8 的限制效应,使 AuNC 的荧光特性双重增强(荧光强度增加 35 倍,量子产率增加 18.5 倍)。
此外,作者还开发了一种广义荧光免疫分析方法,利用脂质体介导的 Cu2+ 诱导的 AuAg-ZIF 荧光猝灭,从而扩增抗原信号。此外,构建了可解释的机器学习预测算法,包括特征提取、特征降维、模型构建与验证以及模型解释。该算法能够快速准确地检测人体炎症稳态中与抗炎、促炎和炎症水平相关的因子(R2 > 0.95),其准确度与目前市售检测试剂盒的准确度相当。这种双增强荧光纳米材料、扩增策略和可解释机器学习的集成,使得实时、准确地观察炎症稳态成为可能,从而有助于精准临床治疗。
机体炎症稳态的平衡对于其在充满致病因素的自然环境中长期生存至关重要。炎症是各种内外源性损伤因子作用于机体,导致细胞、组织和器官损伤,从而在生物体中发生全身和局部发生的复杂病理过程。炎症过程旨在限制和破坏损伤因子,清除和吸收坏死组织和细胞,并修复损伤。在这一病理过程中,促炎和抗炎两种拮抗类型的炎性细胞因子在时间和空间维度上保持平衡作用,维持机体炎症的动态平衡,从而确保正常的功能和组织修复。这种平衡的破坏可能导致炎症异常,包括修复能力受损和慢性炎症状态,例如骨关节炎、心血管疾病和自身免疫性疾病。为了恢复机体的基本稳态,人们使用非甾体抗炎药 (NSAID) 等药物来抑制促炎细胞因子的活性,从而减轻炎症过程并减轻组织损伤。或者,人们设计天然免疫调节物质和靶向治疗来刺激机体自身的抗炎过程,从而获得精准且持久的治疗效果。然而,由于缺乏能够评估机体整体和局部炎症微环境的精准监测仪器,在实际干预应用中,炎症过度或不足的可能性较大,导致临床疗效不理想。因此,必须加快实时监测个体炎症水平、促炎和抗炎细胞因子,以确保相应地精准调整治疗策略。
临床细胞因子检测方法(酶联免疫吸附试验、化学荧光免疫分析等)尽管灵敏度高,但往往需要大型检测仪器和熟练的操作人员,从而限制了其快速、准确、经济地检测炎症稳态的能力。高效、经济的生物传感器的出现为解决这一问题提供了解决方案。在生物传感领域,荧光金纳米簇 (AuNC) 因其独特的物理化学特性和显著的光学特性而备受关注。然而,与碳点和量子点等其他荧光团相比,AuNC 通常表现出较低的荧光效率,这大大限制了其实际应用潜力。幸运的是,有两种主要方法可以增强基于 AuNC 的纳米材料的荧光效率。第一种方法是通过调整表面配体构型来显著增强 AuNC 的荧光。在这方面,溶剂诱导聚集和客体诱导限域已被报道是一种很有前景的策略。第二种方法是杂原子掺杂,即利用外来原子来影响金纳米粒子(AuNC)的几何结构和电子结构。此前,受第一种方法的启发,我们基于“配位-解离”机制将金纳米粒子(AuNC)掺杂到ZIF-8表面。该策略富集了金纳米粒子,并对其结构和电子产生了限域效应,使整体荧光强度提高了18倍。然而,我们发现金纳米粒子的本征性质限制了该策略合成的复合材料量子产率的进一步提升(仅为38.1%)。第二种通过金属掺杂来提高金纳米粒子量子产率的方法为解决这一问题提供了新的视角。这两种方法的结合有望实现金纳米粒子量子产率的双重提升,从而带来优异的荧光性能。
双增强荧光材料的成功构建使得能够创建出色的荧光传感器,这些传感器能够通过颜色变化清晰可靠地反映目标浓度。因此,准确快速地分析颜色变化的能力对于这些传感器的实际应用至关重要。智能手机的出现促进了高分辨率图像的获取,这些图像可以轻松转换为颜色模型量,以便在生物传感应用中精确预测分析物浓度。然而,当代图像信息提取主要基于RGB颜色模型,该模型未能涵盖CIECMY、CMYK、HSK和其他颜色模型。这种遗漏导致大量可见光谱特征的丢失。此外,图像颜色变量与实际浓度之间的关系通常是非线性的,与变量的高阶统计特征相关,包括比率变化、平方变化和欧氏距离。因此,传统的图像处理技术在实时精确检测各种目标方面常常面临挑战。机器学习 (ML) 的出现已成为应对这一挑战的潜在解决方案,得益于高通量图像特征提取和数据挖掘技术对目标浓度的精确预测。该方法已成功应用于生物传感领域。然而,由于 ML 算法的复杂性和预测过程的不透明性,ML 预测模型通常被称为“黑匣子”,这阻碍了对预测结果的识别和理解。幸运的是,ML 领域已经见证了局部可解释模型不可知解释 (LIME)、排列特征重要性 (PFI) 和 Shapley 加性解释 (SHAP) 等方法的应用,这些方法有助于提高 ML 模型的透明度和可解释性。
在此,作者构建了一个智能荧光传感平台,该平台结合了 AuAg-ZIF 荧光材料、扩增策略和可解释的机器学习,可以智能、准确地监测炎症稳态的关键方面。 AuAgNCs的合成导致AuNCs中Au原子价态发生氧化,导致AuNCs荧光强度首次增强。此外,通过“配位-解离”机制,以结构可调的方式引发谷胱甘肽(GSH)通过AuAgNCs与Zn配位,合成了AuAg-ZIF复合材料,通过限域效应二次增强AuNCs的荧光性质。进一步,作者利用负载铜纳米粒子(CuNPs)的脂质体介导Cu2+诱导的AuAg-ZIF荧光猝灭,从而实现抗原信号的放大。最后,采用可解释的机器学习算法,实现了对人体炎症稳态的即时准确监测。该算法集特征提取、特征降维、模型构建与验证以及模型解释于一体。这已被证明是检测炎症稳态关键指标的成功方法,包括 C 反应蛋白 (CRP)、肿瘤坏死因子-α (TNF-α) 和白细胞介素-10 (IL-10)。
图1图形摘要(图源自Nano Today)

参考消息:
https://www.sciencedirect.com/science/article/abs/pii/S1748013225001483

—END—

内容为【iNature】公众号原创,

转载请写明来源于【iNature】


微信加群


iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群(16个PI群及64个博士群),同时更具专业专门组建了相关专业群(植物,免疫,细胞,微生物,基因编辑,神经,化学,物理,心血管,肿瘤等群)。温馨提示:进群请备注一下(格式如学校+专业+姓名,如果是PI/教授,请注明是PI/教授,否则就直接默认为在读博士,谢谢)。可以先加小编微信号(love_iNature),或者是长按二维码,添加小编,之后再进相关的群,非诚勿扰。



投稿、合作、转载授权事宜

请联系微信ID:13701829856 或邮箱:iNature2020@163.com



觉得本文好看,请点这里!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/187116