论文部分内容阅读
癌症的早期诊断对于降低癌症的死亡率至关重要,其中一种重要的有效方式是对肿瘤标志物的表达水平进行检测。由于癌症早期肿瘤标志物的含量往往很低,而且一种肿瘤标志物往往和多种肿瘤相关,因此,具有高检测灵敏度、高通量和低成本特点的肿瘤标志物检测平台对于癌症的早期诊断与治疗等应用领域具有重要意义。本论文主要研究SERS微流控芯片基底的构建及其在多元肿瘤标志物检测中的应用。通过有效融合SERS检测技术、微流控芯片技术和肿瘤标志物免疫检测技术于一体,论文设计构建了基于SERS微流控芯片基底的多元检测平台,并应用于人全血样本的检测,为临床上癌症早期诊断应用提供了一种有效的方案。主要创新性研究成果如下:（1）提出了一种用于同时检测多种肿瘤标志物的SERS微流控芯片。该微流控芯片的SERS基底通过静电吸附方法进行层层组装获得。利用“三明治”免疫检测策略检测了血清中的肿瘤标志物并借助空间编码的方式实现了血清中乳腺癌肿瘤标志物CA153、CA125和CEA的联合检测,检测限分别为0.01 U/mL、0.01 U/mL和1 pg/mL,比目前商用的ELISA试剂盒降低了23个数量级。（2）设计构建了一种具有SERS“热面”性质的SERS微流控芯片基底并将其应用于肿瘤标志物的检测。实验中,通过利用AAO作为模板借助倒模的方式制备了具有高度均一性的有序阵列基底,通过真空溅射银和利用DNA作为桥梁修饰银纳米粒子制备了具有SERS“热面”性质的SERS活性基底,然后通过键合的方式将该基底嵌入到微流控芯片通道中获得了SERS微流控芯片基底。该芯片对血清中乳腺癌肿瘤标志物CA153的低至10-5 U/mL。该芯片具有可重复性好、检测灵敏度高、操作简便和成本低廉等优点,为癌症的早期诊断提供了一种高效的策略。（3）探索研究了机器学习联合SERS光谱在乳腺癌细胞识别中的应用。实验中,通过具有SERS“热面”性质的微流控芯片基底无标检测了乳腺癌细胞MDA-MB-231和正常乳腺上皮细胞MCF-10A的SERS光谱。随后辅以机器学习进行数据处理和数据分析,并进行机器学习模型的训练,最终实现了通过拉曼光谱自动化判别细胞类别的功能。该方案操作简单,充分利用了拉曼光谱所包含的丰富生物化学信息以及指纹特性,并借助机器学习强大的数据分析能力,最终达到了对乳腺癌肿瘤细胞100%准确率的判别。该方案揭示了机器学习在生物光子学领域、细胞分类、生物分析等领域所蕴含的巨大研究价值和应用前景。