根据世界卫生组织（WHO）的统计数据，全球范围内已有超过1000万名帕金森病（PD）患者，中国患者接近300万。随着我国人口老龄化的加剧，PD患者数量还在逐年增加。然而尚不能早期发现临床前期帕金森病患者，更无可靠的实验室指标或辅助方法监测疾病的进展。因此，如何实现PD无创精准预测，目前仍然是一个亟待解决的问题，存在技术瓶颈。

中国电子科技大学附属医院·四川省人民医院缪养宝团队在前期研究工作中验证了帕金森的致病因子（α-Syn）最初出现在胃肠道，并通过迷走神经扩散到大脑，因此在胃肠道中进行非侵入式早期PD诊断具有重要意义。在此基础上，本研究设计了一种胃肠道极端条件触发的传感器，并利用人工智能技术实现早期PD的无创精准预测。通过胃肠道传感器和人工智能相结合，探索以口服递送方式实现非侵入式精准预测脑部疾病的策略体系，为脑部疾病的诊断方法和临床预测提供新的思路和途径。通过本研究，将有望突破PD早期诊断的技术瓶颈，为开发新的脑部疾病诊断方法和临床上预测脑部疾病各个阶段提供科学支持。相关研究成果以“Tailoring a luminescent metal-organic framework precise inclusion of Pt-Aptamer nanoparticle for noninvasive monitoring Parkinson's disease”为题发表在Chemical Engineering Journal期刊上。

图1 设计一种胃肠道极端条件触发成像传感器，结合人工智能实现帕金森病早期的无创精确预测

如图2a所示，通过透射电子显微镜（TEM），耐酸性的发光金属有机超薄层材料（L-MOL）具有空心结构。图2b展示了球状的金纳米颗粒的TEM图像。通过图2C，可以清晰地观察到许多金纳米颗粒在L-MOL表面明显存在，这说明球状的金纳米颗粒表面修饰的核酸适配体能够精确地装载到L-MOL的空腔中。图2d和图2e展示了胃肠道触发成像传感器的高角环形暗场扫描透射（HAADF-STEM）和相关的HAADF-STEM EDS mapping元素分析结果。其中，金（Au）元素代表金纳米颗粒在胃肠道触发成像传感器中的分布情况，硫（S）元素代表核酸适配体在胃肠道触发成像传感器中的分布情况，铕（Eu）元素代表L-MOL在胃肠道触发成像传感器中的分布情况。这些结果进一步说明球状的金纳米颗粒表面修饰的核酸适配体能够精确地装载到L-MOL的空腔中，形成了胃肠道触发成像传感器。

为了进一步验证胃肠道触发成像传感器能够稳定存在于胃肠道并对α-Syn进行特异性敏感检测，首先进行了体外模拟胃液和肠液的实验，并利用DLS粒径分析仪和UV-vis对核酸适配体进行定量分析。如图3a所示，与未经胃肠道处理的纳米颗粒相比，胃肠道成像传感器的粒径和核酸适配体含量在胃肠道中没有明显变化，表明该成像传感器能够稳定存在于胃肠道中。

为了验证在α-Syn存在的情况下，胃肠道触发成像传感器能否发出响应信号，在胃肠道触发成像传感器形成后的溶液中加入了10 mg/mL的α-Syn，并用共聚焦显微镜对其观察。如图3e和图3f所示，当溶液中存在α-Syn时，可以清晰地观察到空心的颗粒出现绿色荧光。这表明胃肠道触发成像传感器能够特异地对α-Syn作出反应，从荧光“关”状态转变为荧光“开”状态。

同时为了有效地测定α-Syn浓度，对该胃肠道触发成像传感器进行了体外检测，并构建了不同浓度α-Syn的标准曲线。结果显示在0.0005 ~ 1 ng/mL的范围内呈现出线性关系。此外，在激光450 nm的照射下，肉眼可观察到不同浓度α-Syn下胃肠道触发成像传感器的绿色荧光信号的变化。

在体外实验显示出良好的结果之后，研究人员进行了体内实验。首先，腹腔注射1-甲基-4-苯基-1,2,3,6-四氢吡啶（MPTP），以每日30 mg/kg的剂量，连续注射5天，建立帕金森小鼠模型。如图4a所示，建立帕金森小鼠模型后，口服胃肠道极端条件触发成像传感器，并在口服之后不同时间点对小鼠进行活体成像观察。图4b展示了观察结果，显示在大约12小时左右，腹部的荧光达到最强。选择12小时作为人工智能预测帕金森病不同发展阶段的图像时点。

综上所述，研究人员致力于开发一种基于胃肠道极端条件触发成像传感器和人工智能的方法，实现对帕金森病早期无创精确预测。该传感器基于精准控制孔径的L-MOL和核酸适配体修饰的金纳米颗粒。L-MOL材料的孔径大小（约35 Å）使得核酸适配体（22 ~ 26 Å）能够通过亲水相互作用或静电力相互作用封装到发光金属框架的空腔中，同时阻止胃肠道中的DNA水解酶（DNase；51.55 Å、61.07 Å、104.47 Å）进入框架的孔径，起到保护作用。当胃肠道中存在α-Syn时，胃肠道极端条件触发的成像传感器中的核酸适配体可以特异性识别α-syn，即核酸适配体金纳米颗粒/α-Syn（Au-Aptamer/α-Syn）复合物释放到胃肠道中，导致传感器中的荧光信号从“关”状态变成了“开”状态。通过小动物成像仪，结果在PD小鼠的腹部显示出来。

此外，通过输入上述PD小鼠腹部荧光图像以及AlexNet框架的新型深度神经网络预测PD的不同进展阶段。所提出的算法是通过口服胃肠道极端条件触发的生物传感器之后，获得PD小鼠腹部荧光图像进行深度学习。并通过神经网络捕获图像的荧光强度和腹部形状等显著特征，然后预测PD的不同发展阶段。为了评估该人工智能的PD预测方法在不同阶段的性能，将该方法与五种传统的机器学习算法进行了比较，包括随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、线性判别（LD）、朴素贝叶斯（NB）。所有模型都在经过预处理的PD小鼠腹部荧光图像上进行训练，并根据测试数据上的准确度、AUC和ROC等性能指标进行比较。结果表明，所提出的方法在性能指标方面优于现有五种算法，并且可以准确地预测PD多个进展阶段。

https://doi.org/10.1016/j.cej.2022.136009

来源：IVD分享库

免责声明：本公众号发布内容部分信息来源网络，旨在学习交流与分享，所发表内容注明来源的，版权归原出处所有，与本公众号立场无关；无法查证版权的或未注明出处的均来源于网络搜集；如存在不当使用或侵权的情况请联系后台删除。