导读：机器学习（Machine Learning, ML）是指模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。下面要介绍的这篇工作将机器学习应用到纳米流控（微流控的进阶版）分析外泌体成分以解决单一标志物不足以对疾病做出可靠诊断的问题，值得大家关注！
摘要：循环的外泌体含有丰富的蛋白质和遗传信息，为癌症诊断提供了巨大的机会。虽然微流控方法已经可以成功地从复杂样品中分离细胞，但是微流控应用于外泌体分离时受到低通量和纳米流体易阻塞的限制。此外，外泌体生物标志物的分析被患者和肿瘤本身之间的异质性所混淆。为了应对这些挑战，来自宾夕法尼亚大学的研究人员开发了一种多通道纳米流控系统来分析未经处理的临床样品。使用这个平台，研究人员从健康和患病的小鼠和临床样品中分离出外泌体，对这些外泌体内的RNA成分进行了分析，并应用了机器学习算法来鉴定异质性癌症个体的样本。使用这种方法，成功在参加者不知情的研究中对来自健康对照的癌症和癌前小鼠以及来自健康对照的胰腺癌患者进行分类。
基于ExoTENPO的外泌体捕获
许多肿瘤，如脑、胰腺和肺等部位的肿瘤，位于难以手术进入的区域，对于这些肿瘤通常不能进行重复的组织活检。液体活检这种微创方法已经为癌症的诊断和监测创造了许多机会。纳米尺度的外泌体（直径30-200 nm）是多泡内体（MVE）与质膜融合时释放的，存在于血液循环中，含有其来源细胞的分子信息，与疾病诊断、疾病监测和药物效力筛选有关。使用常规技术建立外泌体生物标志物的临床应用并利用这些生物标志物改善患者的护理仍然具有一定的挑战性。由于外泌体的尺寸很小，常规的基于大小的分离是耗时的（>6小时），且细胞碎片会一同纯化，不能选择外泌体的特定亚群或将外泌体与其他细胞外囊泡（例如，微泡）分离开。虽然微流控技术可以对含量少的细胞进行分类和检测，但是该方法应用到纳米尺度已经受到固有的低通量和对纳米流体通道堵塞的敏感性的限制。
为了解决这些挑战，研究人员开发了一种外泌体分离方法，该方法将数百万的纳米流控小组件整合到一个芯片当中，可一同从临床样本中分离外泌体。该方法利用外泌体追踪蚀刻磁性纳米孔（ExoTENPO）芯片将常规纳米流体分选结构旋转90度，以在孔的末端而不是通道中形成磁捕获陷阱（磁阱）。通过将流量分布在数百万个纳米尺度的孔隙上，可以在保持纳米流体免疫磁性分选的精度的同时实现比个体纳流体装置大10的6次方倍的流速（ɸ>10 mL/hr），可以直接对未经处理的血清或血浆进行分析且没有堵塞的危险，因为任何单个纳米孔的堵塞会导致其向附近的孔分流。
除了分离肿瘤外泌体的挑战之外，由于疾病的复杂性质及其在肿瘤本身和患者之间的异质性，癌症的成功诊断变得更具挑战性。常规方法仅依赖于单一的分子生物标志物，这通常不够充分。任何单一蛋白质或核酸生物标志物都可以通过许多复杂的过程进行控制，并且不一定直接反应到所有患者普遍适用的特定疾病状态。作为替代，可以测量一组分子生物标志物以更全面地描述癌症的复杂状态。然而，多种分子生物标志物同步分析可能有难度。为了解决这个挑战，研究人员使用机器学习算法和数据集训练从一组RNA生物标志物中提取一组优化的线性鉴别器。然后使用独立于训练数据的独立盲目数据集测试来评估这些鉴别器。通过选择癌症的相关状态（癌前病变、癌症、健康）和训练机器学习算法来找到这些状态的最佳分类模式，在参加者不知情的研究中优于任何单个标记。
最后，通过胰腺癌来验证ExoTENPO芯片用于癌症诊断的效果，特别是在早期检测疾病的当前难以解决的问题。使用这种方法能够正确在小鼠模型和临床试验中对胰腺癌患者与健康受试者进行分类。此外，在鼠模型中，相对于健康小鼠和具有癌症的小鼠，正确鉴定了具有恶化前胰腺病变的胰腺上皮内瘤样病变（PanIN）的小鼠。
参考文献：
Ko J, Bhagwat N, Yee SS, Ortiz N, Sahmoud A, Black T, Aiello NM, McKenzie L, O'Hara M, Redlinger C, Romeo J, Carpenter EL, Stanger BZ, Issadore D. Combining Machine Learning and Nanofluidic Technology to Diagnose Pancreatic Cancer Using Exosomes. ACS Nano. 2017 Oct 11. doi: 10.1021/acsnano.7b05503. [Epub ahead of print] IF= 13.942
