机器学习增强的SERS技术：通过精液外泌体分析实现无精子症的精准诊断

Machine learning-enhanced SERS for accurate azoospermia diagnosis via seminal plasma exosome analysis

Jiarui Wang, Shiyan Jiang, Jiaxin Shi, Jing Wang, Shengrong Du, and Zufang Huang

https://doi.org/10.1142/S1793545825500038

无精子症是男性不育的主要原因之一，传统诊断方法不仅主观性强，还容易出现误诊。近期，福建师范大学的黄祖芳教授研究团队在《Journal of Innovative Optical Health Sciences》上发表了一项突破性研究，提出了一种基于表面增强拉曼光谱（SERS）和机器学习的新型诊断方法，通过分析精液外泌体实现了对无精子症的高灵敏度、无标记、客观诊断。这一创新技术为无精子症的早期检测和临床管理提供了新的思路。

研究背景

无精子症占全球男性不育病例的15%，其诊断依赖于精液中精子的检测，但传统方法存在主观性和变异性。近年来，外泌体作为细胞间通讯的重要介质，其在精液中的变化被认为与无精子症的发生密切相关。外泌体携带蛋白质、核酸和脂质等生物分子，能够反映其来源细胞的状态。因此，开发一种基于外泌体的无精子症诊断技术具有重要的临床价值。

研究方法

研究团队收集了32名健康对照组和22名无精子症患者的精液样本，提取并纯化了精液外泌体，并利用SERS技术获取其光谱特征。通过机器学习算法，研究者们分析了健康和无精子症样本的SERS光谱差异，并建立了分类模型以区分两者。

实验结果

实验结果显示，无精子症患者的精液外泌体在SERS光谱中表现出显著的分子差异，特别是在酪氨酸、脯氨酸和蛋白质的特征峰上。机器学习模型在诊断无精子症时表现出极高的灵敏度（99.61%）和特异性（99.58%），远高于传统的主成分分析-线性判别分析（PCA-LDA）模型。这一结果表明，SERS结合机器学习能够有效识别无精子症相关的生物标志物，并为早期诊断提供有力支持。

主要创新点

• SERS技术的应用：首次将表面增强拉曼光谱技术应用于无精子症的精液外泌体分析，实现了无标记、高灵敏度的检测。

• 机器学习的引入：通过多种机器学习算法（如神经网络、随机森林等），显著提高了无精子症诊断的准确性和可靠性。

• 生物标志物的发现：研究揭示了无精子症患者精液外泌体中酪氨酸、脯氨酸和蛋白质的显著变化，为理解无精子症的病理机制提供了新的视角。

• 临床样本验证：通过健康对照组和无精子症患者的临床样本验证了该方法的有效性，为未来的临床应用奠定了基础。

应用前景

该研究提出的SERS结合机器学习的诊断平台具有无标记、高灵敏度、快速检测等优点，有望在无精子症的早期诊断、病情监测和治疗效果评估中发挥重要作用。此外，该技术还可以扩展到其他男性不育相关疾病的诊断，为生殖医学领域提供一种全新的工具。

结语

本研究通过结合SERS技术和机器学习算法，成功开发了一种用于无精子症诊断的新型平台。这一成果不仅展示了SERS技术在生物医学检测中的巨大潜力，也为无精子症的精准诊断提供了新的思路。未来的研究将进一步优化该技术，并在更大规模的临床样本中验证其有效性，以推动其临床应用。

通讯作者简介

黄祖芳：福建师范大学光电与信息工程学院的教授，从事生物医学与光学交叉领域的相关研究，早期主要从事光动力诊疗，共聚焦/多光子显微成像研究，目前主要致力于拉曼光谱的检测，拉曼光谱成像以及多元数据方法处理的研究。

更多详情见：https://paee.fjnu.edu.cn/d0/4b/c12143a249931/page.htm