电子科大AM：深度学习驱动的等离激元平台用于解码帕金森病进展中的动态蛋白聚集景观

背景介绍

蛋白质聚集体种类在多种最具破坏性的神经退行性疾病中发挥致病作用，如帕金森病（PD）和阿尔茨海默病（AD）。蛋白质聚集体的神经毒性长期以来被认为是细胞损伤的基础。然而，关于聚集体大小与毒性之间的关系一直存在长期争论。长纤维的出现被广泛认为是蛋白质聚集体的标志。在PD中，这指的是α-突触核蛋白（α-syn）纤维。与纤维相比，寡聚体表现出显著更高的毒性，而纤维聚集体则处于较低毒性水平。深入表征病理性蛋白聚集体及其亚组分对于神经退行性疾病的早期诊断和分期至关重要。然而，现有技术难以全面刻画聚集体超分子大小分布，且传统生物标志物和评定量表在客观分层方面存在局限。

研究思路

针对上述挑战，电子科技大学Cheng Jiang教授等团队提出并开发了蛋白聚集体纳米动力学分析仪（PANDA），一种等离激元纳米技术驱动的系统，通过严格约束的免疫金簇将蛋白聚集体的超分子大小分布转化为不同的散射特征。该工作使PANDA能够分析人血清样本中具有多种超分子结构的α-syn聚集体，并实验揭示了帕金森病中生物阶段依赖的分布模式。聚集体大小谱显示与临床评分强相关（rmax=0.6）和多巴胺能PET成像（rmax=0.7）。研究还注意到在PD进展过程中"寡聚体向纤维"的病理转变。为利用这一转变，团队整合了深度神经网络（DNN）对PD阶段进行分类，网络实现了高准确率并建立了评估PD进展的客观参考，使PANDA系统成为神经退行性疾病分子诊断和分层的非侵入性、AI增强框架。相关内容以 Deep Learning-Powered Plasmonic Platform for Decoding Dynamic Protein Aggregation Landscapes in Parkinson's Disease Progression 发表在 Advanced Materials！

图片解析

图1. 检测装置的从头设计：(a) PANDA构思示意图，光晕展示AuNP位点的散射光；(b) 人工制备的α-syn寡聚体聚集体（含少量纤维）的TEM图像；(c) PANDA用α-syn寡聚体测试的DFM图像，亮度增强以更好展示；(d) TEM图像显示PANDA中由寡聚体（如(b)所示）诱导的单个AuNPs；(e) 人工制备的α-syn非寡聚体（纤维）聚集体的TEM图像；(f) PANDA用α-syn非寡聚体（纤维）测试的DFM图像；(g) TEM图像显示PANDA中由非寡聚体（如(e)所示）诱导的偶联AuNPs；(h) TEM图像显示AuNPs结合到蛋白聚集体，箭头指示AuNPs下方的蛋白聚集体（即纤维），比例尺100 nm。

图2. PANDA系统中等离激元聚集行为的多模态验证：(a-c) AuNP单体(a)、二聚体(b)和三聚体(c)的代表性TEM图像，显示PANDA中的远端颗粒构型，比例尺100 nm；(d-f) 偏振平面波激发下单聚(d)、二聚(e)和三聚(f) AuNPs的电磁场分布有限元模拟；(g-i) 对应(d-f)的模拟散射光谱，显示随簇尺寸增加的红移多极共振；(j-l) 暗场显微镜图像，代表性散射点分类为"绿色"（推测单体）、"黄色"（推测二聚体）和"红色"（推测三聚体或更大）；(m-o) 在(g-i)相同位点获取的微局域LSPR光谱，证明与簇尺寸一致的波长偏移，比例尺500 nm。

图3. PANDA用于临床血清样本：(a) PANDA系统血清样本检测工作流程；(b) 患者样本检测的代表性PANDA图像，比例尺1 μm；(c) 三种受试者条件下寡聚体（绿色散射点）分布；(d) 三种条件下非寡聚体（黄色和红色散射点）分布；(e) HC、PD-Mild和PD-Moderate组三级信号分布的3D散点图；(f) "寡聚体计数"和"非寡聚体计数"区分PD与HC的ROC曲线；(g) "寡聚体计数"、"非寡聚体计数"和"寡聚体/非寡聚体计数比"区分PD-Mild或PD-Moderate的ROC曲线。

图4. 蛋白聚集体信号计数与量表和成像的相关性分析：(a) 寡聚体计数与MDS-UPDRS-III相关；(b) 非寡聚体计数与MDS-UPDRS-III相关；(c) 寡聚体计数与18F-DTBZ PET扫描中尾状核双侧SUVR平均值相关；(d) 非寡聚体计数与18F-DTBZ PET扫描中壳核双侧SUVR平均值相关；(e) 寡聚体计数与18F-DTBZ PET扫描中尾状核双侧SUVR平均值相关；(f) 非寡聚体计数与18F-DTBZ PET扫描中壳核双侧SUVR平均值相关；(g-i) 代表性轴位18F-DTBZ PET图像，叠加纹状体区域，显示HC(g)、PD-Mild(h)和PD-Moderate(i)条件。

图5. 深度学习诊断系统的构建与验证：(a) 提出的VGG-16网络架构分类器；(b) 训练集中关于PD-Mild/PD-Moderate区分的损失-准确率曲线；(c) 测试集中关于PD-Mild/PD-Moderate区分的损失-准确率曲线；(d) 模型诊断的混淆矩阵；(e) 模型识别三种条件的ROC，每条曲线代表给定类的one-vs-rest性能；(f) 每类AP和mAP的Precision-Recall曲线；(g) 每类F1分数与置信度曲线；(h-j) 关于PD-Moderate(h)、PD-Mild(i)和健康对照(j)的代表性GradCAM热图，红到蓝颜色代表热到冷区域，诊断结果和置信度显示在左上角。

结论

该研究提出了基于AuNP等离激元行为绘制α-syn聚集体超分子大小分布的方法。通过这种简单方法并分析真实世界血清样本，研究实现了三个关键成果：(1) 提供了迄今为止最直接的证据表明寡聚体水平随PD进展而下降；(2) 证实聚集体负荷与症状严重程度之间的相关性对寡聚体比对更大聚集体更强；(3) 建立了基于深度神经网络（DNN）分析的客观诊断模型，展示了AI驱动分层在临床环境中的潜力。尽管研究聚焦于PD，但所提出的检测框架对不仅限于PD的疾病具有转化潜力。随着对神经退行性疾病理解的深入，越来越达成共识，PD和AD等疾病属于更广泛的蛋白构象疾病（PCD）类别。这些疾病共享共同的致病轨迹：从单体错误折叠到毒性寡聚体形成，最终到纤维或斑块积累。鉴于这一共同序列，PANDA可能广泛适用于PCD谱系。在真实临床样本中监测寡聚体-纤维转变可实现两个直接结果：首先，它提供了超越体外或动物模型所能提供的人类疾病病理学的无与伦比见解；其次，它为未来即时检测与小型化设备提供了非侵入性和非主观的患者分层。该平台提供客观结果，不受虚假陈述、潜在主观偏见或评定量表不准确性的影响。此外，最近发现细胞外囊泡（EV）作为诊断分析物具有巨大潜力，其价值超过其他生物流体如普通血清。一旦引入EV，PANDA的诊断性能可能进一步提高。由于能够无偏评估疾病分期，PANDA衍生读数不仅作为诊断标志物，还作为预后标志物发挥作用。