细胞外囊泡，尤其是小细胞外囊泡的检测对于研究其生理特性研究和临床应用具有重要意义。小细胞外囊泡的异质性使其在检测上存在巨大挑战，但也在区分不同类型的细胞和疾病方面发挥着至关重要的作用。机器学习算法具有卓越的数据处理能力，克服了传统检测方法在准确鉴定小细胞外囊泡的细胞来源方面的局限性，为准确识别小细胞外囊泡亚型和来源提供了新的思路。
近日，东北大学分析科学研究中心徐章润教授团队在国际权威期刊Biosensors and Bioelectronics（中科院一区，IF=12.6）在线发表了题为“Advances of machine learning-assisted small extracellular vesicles detection strategy”的研究成果（2024, 1:251:116076）。该研究报道了机器学习算法辅助的小细胞外囊泡检测策略的研究进展。博士研究生张琪为文章的第一作者。
文章对基于机器学习算法辅助的小细胞外囊泡检测策略在细胞鉴定和疾病预测中的应用作了全面综述，并简要总结用于小细胞外囊泡检测和分类的机器学习算法，如主成分分析、线性判别分析、偏最小二乘判别分析、极端梯度提升、随机森林、K近邻算法和深度学习（残差神经网络、人工神经网络和卷积神经网络）。同时对这些策略与表面增强拉曼散射光谱、电化学、电感耦合等离子体质谱和荧光分析法的结合进行归纳，进一步比较基于不同机器学习算法检测策略的性能，并评估各种机器学习模型的优点和局限性。作者认为随着研究的深入以及新的机器学习算法和检测策略的开发，可以使人们能够更好地了解小细胞外囊泡的特性，并促进小细胞外囊泡在癌症诊断、细菌分析、病毒分析和基因分析等领域的应用。
外泌体资讯网 Biosens. Bioelectron.|东北大学分析科学研究中心徐章润：机器学习算法辅助的小细胞外囊泡检测策略的研究进展
