用于疾病诊断、生物分子检测和机器学习技术的基于 表面增强拉曼光谱/散射 (SERS) 的等离子体传感器的最新趋势

Beeram R, Vepa KR, Soma VR. Recent Trends in SERS-Based Plasmonic Sensors for Disease Diagnostics, Biomolecules Detection, and Machine Learning Techniques. Biosensors (Basel). 2023 Feb 27;13(3):328. doi: 10.3390/bios13030328. PMID: 36979540; PMCID: PMC10046859.

表面增强拉曼光谱/散射 (SERS) 由于其易于使用、无损和无标记方法，已发展成为生物学和医学应用的流行工具。等离子激元学和仪器的进步使 SERS 在生物分子痕量检测、疾病诊断和监测方面的全部潜力得以实现。我们简要回顾了用于生物传感应用的 SERS 技术的最新发展，特别关注用于相同用途的机器学习技术。最初，文章讨论了生物学中对等离子体传感器的需求以及 SERS 相对于现有技术的优势。在后面的部分中，应用程序被组织为基于 SERS 的疾病诊断生物传感，重点是癌症识别和呼吸系统疾病，包括最近的 SARS-CoV-2 检测。然后，我们讨论了传感微生物（例如细菌）的进展，特别关注从国土安全角度检测生物危害材料的等离子体传感器。在本文的最后，我们重点介绍了 SERS 生物学应用中用于 (a) 识别、(b) 分类和 (c) 量化的机器学习技术。审查涵盖了 2010 年以后的工作，并简化了语言以适应跨学科读者的需求。(b) 分类，以及 (c) 用于生物学应用的 SERS 量化。审查涵盖了 2010 年以后的工作，并简化了语言以适应跨学科读者的需求。(b) 分类，以及 (c) 用于生物学应用的 SERS 量化。审查涵盖了 2010 年以后的工作，并简化了语言以适应跨学科读者的需求。

等离子体学是研究金属纳米结构中的电子振荡及其与电磁辐射的相互作用。自 1950 年代的构想以来，研究人员一直对研究形状、周围介质、材料及其与不同波长光的相互作用的影响的基本原理感兴趣 [1 ]。凭借这一成熟的知识，等离子体学在不同领域的应用潜力巨大，包括法医学 [ 2 ]；环境安全[ 3 ]；生物传感 [ 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11]，例如SARS-CoV-2检测[ 12 ]；和国土安全 [ 13 ]。等离子体的应用主要依赖于表面等离子体共振 (SPR) 或局部表面等离子体共振 (LSPR) 效应 [ 14 ]。使用这些开发的一些重要技术包括高次谐波产生、显微镜、药物输送、光伏、表面增强拉曼光谱 (SERS) 和荧光，以及表面增强红外吸收光谱 (SEIAS) 和波导。在这些技术中使用等离子体显着提高了现有传统技术的效率，提供了灵活性、信号增强和易用性 [15 ]]. 等离子体激元学的出现导致了 SERS 的出现，与传统的拉曼光谱相比，信号增强令人印象深刻 [ 16 ]。基于 SERS 的传感被广泛用于不同分子的痕量检测，如炸药 [ 17 ]、农药 [ 18、19 ] 、食品掺杂物 [ 20、21 ] 、药物 [22 ] 、生物分子[ 23、24、25 ] , 26 , 27 ], 医学 [ 28 , 29 , 30 ] 和微生物 [ 31 ] 。

SERS 通常利用金属纳米结构中的局部表面等离子体共振来显着增强微弱的拉曼信号。1974 年，Fleischmann 在研究吸附在粗糙银电极上的吡啶时首次观察到这种现象 [ 32 ]。然而，增强归因于吸附表面积的增加。1977 年，两个独立的小组 Jeanmaire 和 van Duyne [ 33 ] 以及 Albrecht 和 Creighton [ 34 ]进行了进一步的实验，以了解增强的起源。现在确定增强主要来自两种机制：电磁增强 (EE) 和化学增强 (CE) [ 35]. SERS 中的电磁增强是一个两步过程，总增强是乘法的。当感兴趣的分子位于等离子体纳米结构附近时，它会经历称为局部场增强 (LFE) 的增强场。然后分子以更高的效率辐射，称为辐射增强 [ 36、37 ]。此外，由于纳米粒子和分析物之间的电荷转移机制，会发生化学增强。图1总结了 SERS 中的两种增强机制。等离子体材料的类型、波长的选择、分子的表面覆盖率和分析物的浓度是影响 SERS 效率的因素 [ 38 ]。该技术无标记、快速、无损且与水兼容，并提供分子指纹，使其适用于多种应用。Au、Ag 和 Cu 等诺贝尔金属及其合金因其在可见光和红外区域的可调性、惰性、灵敏度和相容性而成为 SERS 广泛使用的材料[ 39、40]. 尽管 Ag 由于其在可见光区域的高质量共振而具有卓越的性能，但 Au 是首选材料，因为众所周知它具有生物相容性并且在氧气气氛中不发生反应。SERS 中的近场增强取决于纳米结构的形状和大小，此外还取决于纳米颗粒之间的距离和纳米颗粒周围探针分子的分布 [41 ]。纳米粒子的不同形态，如核-壳、棒状、球状、三角形、星状和纳米金字塔，是通过自下而上或自上而下方法中广泛报道的化学路线合成的 [42 ]]. 树突、棒状、星状和三角形等各向异性纳米结构被认为是 SERS 非常需要的，因为它们由于避雷针效应而能够降低检测限 [ 43、44 ]。SERS 的性能还取决于波长的选择，并且大多数生物组织在红外区域是透明的，使其成为首选 [ 45 ]。最近，由于氨基酸和 DNA 碱基等生物分子在紫外区具有电子跃迁，因此人们对紫外和深紫外 SERS 的应用越来越感兴趣 [ 39 ]。

图1通过电磁和化学增强机制全面增强 SERS 的示意图。

随着人口的增长以及随之而来的全球疾病的增加，需要开发易于使用、可靠、快速和低成本的即时护理 (POC) 设备。多年来，SERS 已被证明具有所有这些优势，包括具有亚皮摩尔灵敏度的痕量检测。特别是，使用 SERS 进行生物传感的激增有很多原因。首先，考虑到水的低散射截面，SERS 与液体样品极为相容，为包括液体活检在内的生物学应用铺平了道路[ 46、47 ]]. SERS 已广泛用于使用尿液、血液、血清、血浆、唾液、呼吸和泪液样本进行疾病诊断，建立了其相容性。与传统测试不同，SERS 中的测量可以使用液体、气体、固体和粉末进行。其次，SERS 给出了特定的分子信息，这些信息通常是所研究分子或细胞的振动指纹。使用 SERS [ 48 ] ，具有拉曼活性的生物标志物广泛用于鉴定不同的疾病。通常，当人眼无法识别变化时，机器学习技术用于提取模式和区分样本 [ 49 ]。这已成功用于对正常细胞和癌细胞进行分类 [ 50]，识别微生物物种 [ 51 ]，并监测疾病进展 [ 52 ]。第三，SERS是一种快速技术，可以完成痕量检测，测试时间为三到五分钟[ 53 ]。结合最近在柔性 SERS 传感器方面的发展，它还提供了简单的样品收集方法，例如从不平坦的表面擦拭 [ 54 ]。最后，便携式仪器和低成本激光器的进步利用了 SERS 在现实世界中的应用 [ 55]. 对生物样品具有低损伤阈值的 IR 激光器以及猝灭荧光的易用性有利于 SERS 生物传感的发展。所有这些优势使 SERS 成为近来生物传感的热门选择。

多年来，已经有许多关于等离子体在生物传感和生物传感器中的应用的评论文章。萨拉查等人。和韩等人。回顾了不同的技术，包括 LSPR、手性等离子体生物传感器、磁性等离子体生物传感器和量子等离子体生物传感器 [ 56、57 ]。阿南德等人。发表了一篇关于用于检测病毒的等离子体生物传感器的综合评论，特别关注 COVID-19。他们专注于 LSPR、SPR、SERS、SEF 和 SEIAS 技术 [ 58 ]。有评论和书籍章节专门阐述各种 SPR [ 59 , 60 , 61 ] 和 LSPR [ 62] 目前用于生物传感的技术。同样，Sarah 等人。专注于 LSPR 技术和检测中的相关挑战 [ 63 ]。Alexandre 回顾了以单分子和单粒子传感为目标的等离子体生物传感的未来 [ 64 ]。娟娟等。讨论了将等离子体材料用于按需应用的挑战和未来 [ 65]. 然而，尽管在生物学应用中使用 SERS 进行了大量工作，但在该领域找不到文献综述。在这里，我们回顾了在 SERS 中进行的生物传感工作和最近的发展，特别关注用于相同目的的机器学习技术。这篇文章涵盖了 2010 年以来的工作，并分为不同的部分，如索引所示。图 2a,b 说明了这篇评论文章中讨论的不同领域的出版物统计数据。图中显示的数据表明，人们越来越关注将 SERS 用于癌症相关应用，以及将机器学习技术用于使用 SERS 进行生物传感。由于 COVID-19 的情况，最近使用 SERS 进行呼吸系统疾病诊断的人数也相对增加。

图 2( a ) 基于 SERS 的等离子体在微生物、癌症、呼吸系统疾病、心脏病和糖尿病等其他疾病检测中的应用研究趋势，以及将不同的机器学习技术用于基于 SERS 的生物传感。( b ) 过去 12 年标签上显示的每个区域的百分比贡献条形图。资料来源：截至 2023 年 1 月 5 日，使用两个面板中提到的关键字进行 Scopus 搜索。

2. 用于疾病诊断的SERS

随着人畜共患疾病、癌症、糖尿病和其他疾病的增多，迫切需要开发低成本和 POC 识别技术。早期和快速诊断是挽救生命和防止疾病快速传播的关键。SERS 等痕量检测技术将有助于追踪细胞或生物标志物的微小变化，从而实现早期诊断。SERS 被广泛用于标记和无标记方法中，通常针对疾病表达的特定生物标志物 [ 30 ]。在无标记方法中，样品直接与等离子体材料接触进行研究，而在标记方法中，拉曼报告基因，如荧光团、抗体或配体，附着在样品上用于检测和成像 [66 ], 67 ]。不同的生物标志物，如蛋白质、抗体、miRNA、外泌体和 DNA，被用作疾病存在的指标。在我们的观察中，在研究完整细胞、组织或体液的情况下，机器学习算法被联合使用以进行准确识别。SERS 已被用于检测阿尔茨海默病 [ 68、69、70、71 ]、PCOS [ 72 ]、糖尿病 [ 73、74 ]、炎症 [ 74 ] 、克罗恩病 [ 75 ]和单 Hb 分子[ 76]，仅举几例。在这里，我们回顾了 SERS 在诊断 (a) 癌症方面的进展，特别关注肺癌和乳腺癌，因为它们是癌症死亡的主要原因；(b) 呼吸道病毒，包括 COVID-19。

2.1. 癌症诊断和治疗学

癌症是现代世界的新流行病和死亡的主要原因 [ 77 ]。各种癌症的发病率都有所增加，包括口腔癌、胃癌、肺癌、卵巢癌、皮肤癌和血癌。许多因素，如环境、饮食、生活方式和吸烟，都可能引发癌症。癌症的早期诊断极其重要，因为它可以通过现有的治疗方案挽救生命。传统的癌症诊断通常使用 X 射线、计算机断层扫描 (CT)、正电子发射断层扫描 (PET)、超声和磁共振成像 (MRI) 等成像技术进行。这些技术通常具有破坏性，存在辐射电离的风险，并且通常与已有病症的患者和心脏起搏器等医疗设备不兼容 [78 ]。这些也很昂贵，涉及复杂的仪器，很耗时，并且经常进行多次测试以避免歧义 [ 79 ]。最近，越来越多地使用等离子体生物传感进行癌症诊断和治疗，综述文章总结了这方面的进展 [ 80 , 81 , 82 , 83 , 84 , 85 , 86 ]。它们被确定为微创、快速、低成本，并提供即时检测 [ 87、88]. 在所有基于等离子体的检测技术中，SERS被广泛用于癌症识别、监测和其他治疗诊断，包括成像和化学/光热疗法 [89、90、91、92、93、94、95、96 ]。图 2也表明在过去十年中，人们越来越关注使用基于 SERS 的等离子体技术进行癌症诊断。SERS 通过使用尿液、唾液和血清促进液体活检[ 96 ]，因此与通常具有破坏性 [ 97 ] 的现有组织活检技术相比，它成本低且更容易频繁采样。不同的癌症生物标志物，例如 miRNA [ 98、99 ]、蛋白质、外泌体 [ 100、101 ] 、循环肿瘤DNA (ctDNA)、基因 [ 102 ]、肽 [ 103 ] 和血浆 [ 104 ]]，正在研究使用 SERS 进行疾病鉴定。与正在研究的目标特异性结合的SERS标签广泛用于分析癌症样本 [ 105、106、107、108、109 ]。机器学习算法用于分析复杂的模式并识别隐藏的信号，以克服来自细胞和其他生物流体的不良成分的噪声。在这里，我们仅关注最近用于癌症相关应用的基于 SERS 的等离子体生物传感，重点关注肺癌和乳腺癌。

2.1.1. 肺癌

众所周知，肺癌是所有癌症中最致命和最常诊断的癌症 [ 110 ]。引用的报告预计到 2030 年将有 289 万肺癌病例。吸烟、环境中致癌物质的存在以及生活方式被认为是导致肺癌的主要原因 [88 ]。有两种肺癌，非小细胞肺癌（NSCLC）和小细胞肺癌（SCLC）。NSCLC是最常见的肺癌类型，占病例的80%。SCLC 是最致命和传播速度最快的癌症，通常在晚期才被诊断出来。SERS已成功用于这两种肺癌的诊断，具有发展床旁快速检测的前景。

使用基于 DNA 的复合物作为 SERS 标签和 miRNA 作为生物标志物，Mao 等人。已经开发出一种基于侧向流测定的 SERS 底物，用于在不到 30 分钟的时间内快速检测和量化肺癌生物标志物 [ 111 ]。同时检测到两种类型的生物标志物 miR-21 和 miR-196a-5p，其准确性与现有的 qRT-PCR 技术相当。使用柔性滤纸基材 [ 112 ] 和不同的生物标志物 [ 113、114 ] 进行了类似的研究。他们以 ctDNA 作为生物标志物扩展了他们的研究，从而暗示了 SERS 的多功能性 [ 115]. 同样，miRNA 已被用于通过使用基于环指数扩增反应 (EXPAR) 的 SERS [ 116 ]来检测肺癌。结合不对称 PCR 和 SERS，关于 ctDNA 中的突变基因，Guo 等人。在血液样本中实现了高度特异性 (100%) 和灵敏 (75%) 的肺癌检测方法。进行不对称 PCA 以获得单链 DNA，然后使用特定标记的 Au 底物进行基于 SERS 的检测 [ 117 ]。以外泌体为生物标志物，通过使用SERS和深度学习算法对健康和恶性样本进行分类，不同阶段的肺癌被准确识别（~90%），具有早期诊断的潜力，如图所示图 3[ 118 ]。使用 PCA 和 PLS 分析法对正常人和肺癌患者的血清样本进行分析，以通过 SERS 光谱区分和识别癌症样本，准确率达到 92% [119 ]。同样，使用核心卫星类型的等离子体材料和 SERS，结合主成分分析 (PCA) 和支持向量机 (SVM) 对健康、良性和恶性肺癌病例的血清样本进行分类 [120 ]。开发了使用 DNA-rN1-DNA 介导的 SERS 频移方法的基于 CtDNA 的肺癌鉴定，以实现亚飞摩尔灵敏度 [ 121 ]。同样，来自支气管肺泡液的外泌体被用于检测 [ 122]. 已使用 PCA 对全外泌体 SERS 光谱进行分析，以对肺癌和正常样本进行分类，灵敏度为 95.3%，特异性为 97.3% [ 123 ]。使用可再生多孔 CuFeSe 2 /Au 纳米结构快速识别肺癌生物标志物（醛）和细胞，达到 1 ppb 的 LOD [ 124 ]。使用 ZIF-8 包被的金超粒子检测了称为挥发性有机化合物的具有挑战性的气态生物标志物，可作为肺癌的指标，用于灵敏地识别肺癌 [125 ]。使用 SERS 和机器学习技术对肺癌和正常样本的胸腔积液进行了研究，以达到 85% 的分类准确率 [ 126]. PCA 和 LDA 的组合已被用于对肺癌和正常样本进行分类，并对血清样本进行 SERS 分析，灵敏度和特异性分别达到 100% 和 90% [127 ]。同样的技术被用于基于 SERS 的肺癌组织切片分类 [ 128 ]。使用普通蛋白癌胚抗原 (CEA) 和甲胎蛋白 (AFP) 作为生物标志物，进行基于 SERS 的检测以诊断肺癌 [129 ]]. 使用 NIR 辐射开发了一种靶向肺癌细胞（A549 细胞）的非破坏性光热疗法，并将 Ag-Au 壳核结构用于基于 SERS 的 A549 细胞检测。这些纳米结构具有高度特异性，对癌细胞和非癌细胞具有不同的亲和力，因此有助于标记细胞。基于 R6G 分子的 SERS 活性，可以监测检测和光疗 [ 130 ]。使用还原的氧化石墨烯等离子体基板进行了类似的研究 [ 131 ]。SERS 数据的多变量分析（SVM 和 PCA）被用于识别和分类不同类型的肺癌，准确率为 95% [ 132]]. 选择呼出气中的醛类作为生物标志物，进行了高灵敏度、便携式检测，实现了 1.35 nM 的 LOD [ 133 ]。化学计量学技术与注入光滑液体的多孔表面增强拉曼光谱相结合，用于在小区域浓缩血液样本，从而增强 SERS 信号以进行痕量检测 [134 ]。结合了银纳米立方体和金纳米棒的间隙模式等离子体 SERS 底物被用于鉴定肺癌相关的外泌体 [ 135 ]。对唾液样本进行 SERS 分析，使用 SVM 和随机森林对健康样本和癌变样本进行分类，灵敏度分别为 95% 和 97% [136 ]]. 以腺苷作为生物标志物，使用基于 Fe 3 O 4 /Au/Ag 的底物的 SERS 分析尿样，实现了良好的重现性、稳定性和 10 -10 M 的灵敏度 [ 137 ]。

图 3Hyunku 等人创建的工作原理图。通过结合 SERS 和深度学习进行肺癌识别。( a ) 用作传感生物标志物的外泌体。( b ) 样品制备和数据收集。( c ) 用于使用 SERS 光谱对正常细胞和癌细胞外泌体进行分类的深度学习模型。经 [ 118 ] 许可转载。版权所有 (2020)，美国化学学会。

2.1.2. 乳腺癌

乳腺癌被认为是仅次于肺癌的女性第二大死因 [ 138 ]。乳腺癌通常通过乳房 X 光检查、超声波、MRI 或活组织检查来诊断。此外，它通常由组织病理学测试得出结论，不幸的是，这很耗时，而且很容易出现人为解释错误。除了使用尿液、血清 [ 139 ] 和泪液样本 [ 140 ] 进行鉴定外，SERS 还被用于了解药物载体机制 [ 141 ] 和乳腺癌不同阶段的分类 [ 142 ]，如图 4.

图 4使用 SERS 检测乳腺癌。( a ) ( A ) 样本采集和 ( B ) 使用基于外泌体的 SERS 传感器进行基于深度学习模型的乳腺癌检测的工作流程示意图。经 [ 143 ] 许可转载。版权所有 (2022)，美国化学学会。( b ) 乳腺癌细胞 ( A ) 的 SERS 和光声 (PA) 成像：( i ) 明场显微图像和 SERS 映射区域，以及 ( ii ) ( i )中标记的不同区域中相应的 SERS 光谱。( B ) ( i ) 有肿瘤的小鼠照片， ( ii) 不同后注射时间对应的代表性 PA 图像，以及 ( iii ) 750 nm 处的 PA 强度。( C ) ( i ) 肿瘤的光学图像，( ii ) 肿瘤的 SERS 图像，以及 ( iii ) 图像中不同区域的相应光谱。经 [ 144 ] 许可转载。版权所有 (2021)，美国化学学会。

使用表皮生长因子受体作为生物标志物，Xiao 等人开发了一种基于金纳米棒的 SERS 工具，可以识别和成像乳腺癌细胞的空间和时间分布。[ 145 ]。唾液酸对基于苯硼酸的纳米探针具有特异性，被用作人类细胞和唾液中乳腺癌鉴定和成像的生物标志物[ 146、147 ]。使用 GaN 纳米结构与 Au/Ag 的混合 SERS 基底，以 10 -10 M的高灵敏度检测乳腺癌的 miRNA [ 148 ]。带有特定标签的功能化 SERS 底物被用于同时分离和检测乳腺癌细胞系 [ 149]. 郑等。开发了一种基于 SERS 的微流体通道，用于检测和量化真实样本中突出的乳腺癌生物标志物 [ 150 ]。开发了 SERS 和电化学生物传感器的组合来监测与乳腺癌细胞相关的 DNA 的药物反应 [ 52 ]。哈米德等人。已经致力于制造各向异性金纳米星，与正常细胞相比，它对乳腺癌细胞表现出特异性亲和力，有助于检测相同的细胞 [ 151 ]。多个 SERS 标签被用于了解抗肿瘤药物他莫昔芬在乳腺癌细胞中的药物载体机制 [ 141 ]。以雌激素受体 α (ER-α) 作为生物标志物进行了类似的研究 [ 152]. 基于 ER-α 的 SERS 也已被用于了解乳腺癌中的细胞摄取机制 [ 153 ]。标记的空心二氧化硅包封金纳米球被用于识别和量化乳腺癌生物标志物 [ 154 ]。崔等人。通过使用 Ag-Au 空心纳米球开发了 SERS 纳米标签，这种纳米标签经久耐用、可重复且灵敏，可用于检测 SERS 的各种生物标志物 [ 155 ]。开发了基于 SERS 的 3D 全息图来检测和量化与乳腺癌相对应的九种 miRNA。发夹样 DNA 与在 SERS 底物上空间分离的每个 miRNA 的拉曼报告分子一起用作 SERS 标签 [ 156 ]。Weng 等人进行了类似的研究。[ 157]，李等。[ 158 ]，和李等人。[ 159 ]。使用 SERS 技术开发了一种用于区分乳腺癌和非癌细胞的比率型方法。基于标准品和 R6G 中 SERS 信号的比率，使用以 Rh6G 作为乳腺癌生物标志物 (MMP-2) 标签的等离子体材料以及标准品 (2-NT) 来分析活细胞 [160 ]。李等。还进行了类似的研究 [ 161 ]，并且还在另一项研究中用于定量分子表型分析 [ 162 ]。最近，比例 SERS 已被用于使用 Au@Ag 和 GO 纳米结构鉴定乳腺癌 [ 163]. 使用 SERS 结合随机森林分类器分析正常细胞和乳腺癌细胞的细胞悬液，以了解差异。研究发现，乳腺癌细胞相对于正常细胞具有较高的胆固醇、脂质、蛋白质和核酸，分类准确率接近 78% [ 164 ]。使用 PCA 和 PLS-LDA 比较了 SERS 和拉曼对乳腺癌不同阶段分类的性能，发现 SERS 相对于拉曼 (83%) 方法具有更高的准确性 (94%) [ 142 ] . Zheng 等人也使用了 PLS-LDA。用于鉴定乳腺癌生物标志物，使用 HAp [ 165]. PLS-SVM、PLS-LDA 和 PCA-LDA 用于乳腺癌和正常组的分类 [ 166 , 167 , 168 , 169 , 170 , 171 , 172 , 173 , 174 , 175 , 176 ]。开发了一种基于外泌体的 CNN 模型，用于对乳腺癌和正常样本进行分类，准确率达到 95% [ 177 ]。对从尿液和血清样本中获得的 SERS 光谱进行了系统分析，发现尿液样本在分类中表现出更好的准确性 [ 170]. 使用 SERS 免疫测定法鉴定了跟踪乳腺癌细胞血浆样本中上皮-间质转化的生物标志物 [ 178 ]。基于苯丙氨酸的特异性亲和力，使用金纳米粒子进行基于 SERS 的癌细胞成像 [ 179 ]。Beata 等人讨论了制备等离子体银纳米粒子的不同方法及其对 SERS 信号的影响。[ 180 ]。使用金纳米棒 [ 181 ] 和金纳米双锥体 [ 182 ]进行了乳腺癌的光热疗法和基于 SERS 的鉴定。还进行了基于 NIR 和 SERS 的光疗和检测 [ 183]. 开发了一种由光声成像、热外科和 SERS 组成的三合一工具，以解决乳腺癌中残留微肿瘤的问题 [ 144 ]。通过将人工智能和SERS相结合，研究人员开发了一种100%准确率的乳腺癌外泌体的无标记检测方法。这也被用来评估手术的结果 [ 143 ]。Au/HCP-PS 纳米球被用于基于 SERS 的乳腺癌检测，使用无症状患者的眼泪，以及化学计量学分析 [ 140 ]。基于 Pt 的 SERS 模板是使用具有成本效益的方法开发的，用于检测乳腺癌外泌体，实现了 83.3% 的灵敏度和 95.8% 的特异性 [184 ]]. 二维石墨烯和等离子体金纳米星的组合被用于外泌体的痕量鉴定 [ 185 ]。有许多研究人员使用外泌体作为生物标志物来鉴定癌症的报道，使用 SERS [ 186 ]。使用 Au@Ag 纳米球开发了一种高度灵敏 (EF ~10 5 ) 和可重现 (2.7%) 的方法，用于检测基于乳腺癌的细胞外代谢物 [ 187 ]。进行了系统实验以了解激光功率和采集时间对免疫 SERS 显微镜再现性的影响，发现较长的采集时间和较高的激光功率会导致再现性较差 [188 ]。

2.1.3. 各种各样的

由于检测机制相同，SERS 已广泛用于检测其他几种癌症，包括胃癌 [ 189 ]、口腔癌、肝癌、卵巢癌 [ 190、191 ]和前列腺癌[ 192、193、194、195 ] , 196 , 197 ]。通过分析血清样本 [ 198、199、200]、血浆 [201 ]、外泌体 [ 202 ]、细胞外囊泡 [ 203 ]、端粒酶[204 ]、唾液 [ 205 ] 和 ctDNA [ 206 ]。在一项突破性研究中，进行了基于 SERS 的呼吸分析，通过分析拉曼谱带来识别胃癌的不同阶段 [ 207、208 ]。不同的化学计量学技术，例如 PCA [ 209、210 ]、PCA-LDA [ 201、211、212、213 ]、SVM [ 214 ]、ANN [ 215 ]和 PCA- QDA [ 216 ]] 也被用于胃癌的分类和鉴定。李等。使用分类算法的组合，例如 PCA-LDA、PCA-SVM 和 PCA-CART，用于识别血清样本中的胃病 [ 217 ]。对来自健康和正常患者的血液样本进行不同癌症的分析，如肝癌、结肠癌、食管癌、鼻咽癌、胃癌以及 PCA-SVM，准确率达到 96% [218 ]。基于尿样的 SERS 分析，使用机器学习算法以 miRNA 作为生物标志物研究膀胱癌 [ 219]. PCA、随机森林、KNN 和朴素贝叶斯算法被用于肾癌的鉴定，血清样本的 SERS 分析实现了超过 75% 的准确度 [139 ]。利用咖啡环效应，对 SERS 数据使用 PLS-SVM 算法，以 100% 的准确率鉴定了肺癌和前列腺癌患者的血清样本 [220 ]。基于高斯的 CNN 在其他地方也用于相同的应用 [ 221 ]。最近，有一篇评论文章专门关注基于 SERS 的生物传感在肝癌检测中的应用 [ 222 ]。张等。阐述了用金纳米粒子诊断和治疗口腔癌的现有文献，强调了当前的进展和挑战[223 ]。一篇关于卵巢癌病例的类似评论文章也发表了 [ 224 ]。使用 SERS 技术使用正常人和癌症患者的唾液样本和 miRNA 研究口腔癌 [ 225 , 226 ]。SVM 结合 SERS 已被用于使用血清和唾液样本的患者早期口腔癌检测，准确率达到 80% [ 227 ]。前列腺癌已被广泛研究并使用不同的技术成功鉴定，例如结合 PCA-SVM 的血清分析 [ 228 ]；检测前列腺特异性抗原 [ 229 , 230 , 231 , 232]; EV与CNN [ 230 ]相结合；miRNA [ 233 ]；不同的多元技术，例如 PCA-LDA 和 PCA-SVM [ 234 ]；和尿液分析 [ 235 ]。

2.2. SARS-CoV-2 和其他呼吸系统疾病

随着大流行的爆发和快速传播的变种，需要快速识别、检测和隔离受感染的人群。调查大量人群中抗体的存在情况（通常称为血清学调查）对于了解感染人群的百分比和监测社区传播非常重要 [236 ]。鉴定 SARS-CoV 的主要现有技术是 PCR，它依赖于分析病毒的遗传物质 [ 237 ]。然而，该测试是昂贵的，因此阻碍了广泛使用并且也很耗时。整个生物体（包括病毒）的拉曼光谱由构成生物体的蛋白质、碳水化合物和核酸贡献 [ 238]. 这些构件的表达受生物体的遗传物质控制，因此有助于进行独特的鉴定 [ 239 ]。SERS 通过使用不同的纳米材料 [ 10、240、241、242 ] ，实现了痕量、床旁 (POC)、样本收集友好、快速、灵活且具有成本效益的covid检测替代方案。此外，便携式和手持式系统确实能够实现基于拉曼光谱的即时检测 [ 56、243 ]。SERS也被广泛用于检测其他呼吸道人畜共患疾病，如H1N1、H7N9、H3N2和H5N1；和其他冠状病毒，例如 MERS-CoV [ 244, 245 ]。通常，结合使用机器学习算法来识别人眼看不到的模式 [ 246、247 ]。大数据的可用性和收集的便利性加速了机器学习算法在识别病毒及其变体方面的潜力，并为 POC 设备提供可靠的准确性[ 248、249 ]。除了痕量识别，SERS 还能够量化病毒载量以了解感染的严重程度[ 250、251 ]。

SERS 结合 LDA 已用于快速（2 分钟）鉴定呼吸道病毒，包括 SARS-CoV-2、人类腺病毒 7 型和 H1N1，使用无标记的银纳米粒子 [252 ]。带有特异性抗体标记的Fe 3 O 4 @Ag 纳米粒子被用于检测腺病毒和流感病毒 [ 253 ]。使用 SERS 鉴定了 11 种不同的呼吸道病原体，带有核酸标记的纳米颗粒在亚皮摩尔范围内实现了显着的 LOD [ 254 ]。用特定酶功能化的金纳米粒子被用于检测 COVID-19 病毒表达的 S 蛋白，并在水中进行基于 SERS 的传感 [ 255]. 痕量 S 蛋白检测也已通过 SERS 底物实现化学和电磁增强 [ 256 ] 并使用基于 DNA 适体的底物进行，实现了 0.7 fg mL −1 LOD [ 257 ]。使用 SERS 和 PCA [ 258 ] ，基于蛋白质鉴定了流感感染的细胞。使用 SERS [ 259 ] 以及未经处理的唾液 [ 260 ] ，在人类鼻液和唾液中检测到了流感病毒和 covid 病毒。基于有机挥发性化合物的存在，开发了一种用于 covid 检测的便携式呼吸分析仪，在不到 5 分钟的检测时间内实现了大于 95% 的灵敏度 [ 53]. 提出了一种基于侧流免疫测定的 SERS 来定量检测 SARS-CoV-2 [ 261 ]。对 SARS-CoV-2抗体和刺突蛋白的痕量检测也进行了类似的工作 [ 262、263、264 ]。李等。优化了银纳米结构以增加 SARS-CoV-2 检测的 LOD [ 265 ]。在一项独特的研究中，Kim 等人。通过对泪液样本进行 SERS 研究，研究了 Oxford-AstraZeneca 疫苗的功效，并在飞摩尔范围内实现了出色的重现性和 LOD [ 266 ]。PCA 和 SVM 等机器学习算法被用于使用 SERS 数据对正常和 SARS-CoV-2 唾液样本进行分类，准确率为 95% [267 ]。使用基于银纳米棒的 SERS 传感器识别了不同的呼吸道病毒及其变体 [ 268 ]。已经使用 SERS 和分类算法（例如 PCA 和 HCA）对不同的呼吸道合胞病毒进行了识别和分类 [ 269 ]。开发了一种基于深度学习的现场 SERS 检测，以检测基于刺突蛋白的 SARS-CoV-2 病毒，准确率为 87%。这项工作还从理论上研究了刺突蛋白的拉曼模式，并建立了数据库[ 270 ]。SARS-CoV-2 病毒的不同变体，包括野生型、Alpha、Delta 和 Omicron，已使用特定抗体标记的 3D 多孔 Ag 基 SERS 底物成功鉴定 [271 ]]. SERS 还显示了通过使用基于磁性标签的 SERS 底物同时检测流感病毒 (H1N1)、SARS-CoV-2 和呼吸道合胞病毒的潜力，并对咽拭子进行了扩展研究 [272 ]。对 COVID-19 检测呈阳性 4 至 16 天后的患者血清样本进行无标记 SERS，并使用化学计量学技术发现 SERS 光谱特征的显着差异 [273 ]。图 5总结了用于基于 SERS 的 SARS-CoV-2 检测的不同技术。

图 5( a ) 用于基于 SERS 检测 COVID-19 疾病的工作流程的光学图像，使用检测时间为 5 分钟的呼吸分析，在近 500 名参与者中实现了 >95% 的灵敏度，确立了 SERS 的快速性和特异性。经 [ 53 ]许可转载。版权所有 (2022)，美国化学学会。( b ) 使用 SERS 进行灵敏检测的基于鼻咽拭子的 Covid 检测示意图。经 [ 238 ] 许可转载。版权所有 (2022)，MDPI。

3. 基于 SERS 的微生物检测

3.1. 细菌感应

细菌是活细胞，属于原核微生物类。细菌有不同的形状，包括球形、棒形、螺旋形和逗号形，典型尺寸为几微米 [ 274 ]。细菌细胞无处不在，它们存在于水、食物、土壤、空气和人体中，有趣的是，人体含有的细菌细胞是人体细胞的 10 倍。然而，只有 3% 的细菌具有致病性，而其他 97% 对地球上不同生命形式的生存至关重要 [ 275]. 细菌的鉴定对于评估食品、土壤和水的质量和污染作为公共卫生的衡量标准很重要。在某些情况下，细菌的存在也是可取的，以确保通过称为生物修复的过程分解不需要的污染物 [ 276 , 277 , 278 ]。传统上，PCR、平板培养和流式细胞术用于检测细菌。然而，所有这些都非常耗时，需要 2 至 3 天才能得出结论 [ 279 ]。基于SERS的细菌传感因其特异性、灵敏 [280、281、282]、快速 [283] 等已证实的优点而被广泛使用]，和水相容以执行原位测量 [ 284 ] ，以及具有量化 [ 285、286、287 ]和痕量检测潜力的能力[ 288、289、290、291、292、293 ]。还可以通过 SERS [ 294、295 ]实现用于检测细菌的床旁设备。SERS 的灵敏度甚至能够检测单个细菌 [ 295 ]。甚至可以通过使用 SERS 来区分活的和死的细菌细胞 [ 296]. 通过使用适当的机器学习技术，研究人员使用 SERS 光谱实现了应变水平区分 [ 297 ]。

使用适体 (aptamer–Fe3O4@Au) 和抗生素 (Vancomycin–Au@MBA) 分子的 SERS 生物传感器已用于检测和定量致病菌，达到 3 个细胞/mL 的 LOD [298 ]。万古霉素标记的 NPs 也被用于制造三明治，例如用于鉴定和光热消除血液样本中细菌的 SERS 底物 [ 299 ]。使用带有 Fe 3 O 4 @Au 磁性纳米颗粒的SERS 识别不同的细菌种类，如伤寒沙门氏菌、大肠杆菌和单胞菌，并在牛肉、唾液和尿液等现实世界样本中证明了良好的准确性 [ 300]. 王等。还使用磁性纳米粒子检测金黄色葡萄球菌[ 301、302 ]。受多酚化学的启发，设计了具有金属酚网络的 SERS 底物用于检测大肠杆菌和金黄色葡萄球菌[ 303 ]。除了大肠杆菌检测外，还使用核壳 Au@Ag 纳米棒研究了抗生素敏感性。这项研究也扩展到小鼠血液，意味着实际应用 [ 304 ]。血清和人体血液样本中存在的细菌是使用基于 SERS 的传感技术鉴定的 [ 305 , 306]. 通过力纺制备的聚合物垫用于检测血浆中的金黄色葡萄球菌、铜绿假单胞菌和鼠伤寒沙门氏菌[ 307 ]。使用外部磁场和等离子体磁性纳米粒子，通过将样品集中到一个小区域来进行革兰氏阴性菌的灵敏检测 [ 308 ]。类似的工作是使用微流体装置完成的，用于分析饮用水中的细菌污染 [ 309 ]。使用基于 3D DNA 的 SERS 底物对鼠伤寒沙门氏菌进行定量 [ 310]. 基于 SERS 的免疫测定被用于同时对不同细菌物种进行超灵敏和定量检测 [ 311 ]。Hayleigh 等人也证明了多路复用。[ 312 ] 和 Gracie 等人，他们随后继续在多重分析中进行量化 [ 313 ]。基于陶瓷过滤器的 SERS 基底以及金属纳米颗粒被用于检测大肠杆菌和腐烂希瓦氏菌 [ 314 ]。使用 SERS 微流体装置研究了九种不同的大肠杆菌，并使用支持向量机分析以 92% 的准确率进行了区分 [ 315]. 使用 SERS 和不同的化学计量学技术，例如 PCA 和 PLS-DA，研究了各种食源性细菌的无标记和便携式检测 [ 316 ]。使用叶提取物合成的银纳米粒子被用于检测两种细菌 [ 317 ]。SERS 与深度学习技术相结合，被用于准确识别金黄色葡萄球菌，准确度达到 ~98% [ 318 ]。

3.2. 为国土安全检测生物危害分子

生物恐怖主义是世界面临的新威胁，同样能对平民、动物和植物的生命造成大规模破坏。通常，生物制剂很容易制备和放大；可能被食物、水和土壤污染；并且易于携带，使它们成为未来的武器。尽管有规定 [ 319 ]，许多国家仍将其保留在军事储备中。根据美国疾病控制与预防中心 (CDC) 的定义，生物危害材料被定义为对人类健康、环境和动物构成威胁的任何传染性物质或生物材料。Lister 等人的评论。总结了涉及国土安全的不同生物制剂 [ 320]. 不同的病原体和生物制剂，如毒素、毒液和过敏原，是生物危害材料的一些例子。神经性毒剂因其高溶解性、高毒性和持久性而备受关注，1995 年的东京事件就是一个例子[ 321、322 ]。神经性毒剂可分为G系列，代表德国人研制的毒剂；V 系列毒剂；GV 系列为 G 系列和 V 系列的组合；和 Novichock 系列 [ 323 ]。对这些神经性毒剂的检测，迫切需要一种灵敏、快速、便携、适用于液体和气体等不同背景介质的检测系统。等离子体传感器广泛用于检测化学和生物战争威胁[324 , 325 ]。总之，由于引言部分讨论的原因，SERS 有其自身的优势，因此被广泛用于检测生物威胁，并具有使用便携式设备 [326] 和化学计量学 [327] 进行现场应用的潜力。在这里，我们关注神经毒剂、二级和三级风险细菌物种，或它们的生物标志物传感，使用 SERS，并对国土安全感兴趣。

在两项不同的研究中，使用不含 [ 328 ] 和带有标签（解毒剂）[ 329 ] 的金和银涂层 Si 纳米结构对神经毒剂 Tabun、Cyclosarin 和 VX 进行了灵敏和选择性鉴定。VX 及其水解产物也在别处进行了研究[ 330、331 ]。沙林是一种有机磷神经毒剂，使用等离子硅纳米锥结构检测到 [ 332 ]。鉴定了三种神经毒剂，即甲基氟膦酸异丙酯 (GB)、甲基氟膦酸频哪酯 (GD) 和甲基氟膦酸环己酯 (GF)，并使用 SERS 区分了它们的水解降解 [322 ]]. 使用 SERS [ 333 ]检测了芥末模拟物、致病菌和氰化物。重现性 (7%)、快速 (30 秒) 和灵敏 (1 ppb) 用于检测神经模拟物频哪醇甲基膦酸 (PMPA) [334 ]。在 LiCl 微透镜上使用 SERS 鉴定了甲基膦酸二甲酯等气态战剂 [ 335 ]。各种 G 系列和 VX 神经毒剂是使用新型针孔壳隔离 Au 纳米粒子底物鉴定的，灵敏度分别达到 10 ng/L 和 20 ng/L [336 ]。使用等离子体 3D 分形结构，在气态下检测到一种称为甲基膦酸二甲酯 (DMMP) 的 G 系列神经毒剂，灵敏度为 12 ppmV [ 337]. 炭疽杆菌是一种高度传染性的细菌，可导致人类致命疾病炭疽病。这是一个令人担忧的原因，因为它最近被许多国家用作生物战剂 [ 338 ]。法雷尔等人。总结了不同的炭疽生物标志物和现有的检测技术 [ 339 ]。等离子体金属装饰的各向异性 Ni 纳米结构被用于检测吡啶二羧酸 (DPA)，这是炭疽的生物标志物 [ 340 ]。具体而言，标记的 SERS 底物用于检测炭疽保护性抗原，实现了 1 pg/mL 的显着 LOD [ 341]. 使用专门标记的 Au 纳米粒子的磁性微流体 SERS 传感器用于检测炭疽生物标志物聚-γ-D-谷氨酸，LOD 为 100 pg/mL [342 ]。可重复使用且灵敏的激光烧蚀 Au 纳米结构用于检测 LOD 为 0.83 pg/L 且信号增强为 ~10 12 [ 343 ]的吡啶二羧酸 (DPA)。设计了一种选择性 SERS 底物，该底物可以通过特异性结合炭疽杆菌来区分不同的细菌菌株，并以 DPA 作为生物标志物 [ 344 ]。金纳米棒也被用于灵敏检测 DPA 和炭疽保护抗原 [ 345 , 346]. 使用超疏水 SERS 传感器实现了相当于近 18 个孢子的 DPA 痕量检测 [ 347 ]。NPs 聚集和 pH 值对用于检测苏云金芽孢杆菌细胞壁和内生孢子组分的 SERS 性能的影响得到了广泛研究 [ 348 ]。使用 PCA、PLS-DA 等技术以及基于 SERS 光谱的分级分类技术对不同的化学和生物战剂进行分类[ 328、349 ]。

4. 基于 SERS 的生物传感中的机器学习

4.1. 机器学习简介

最近，机器学习被广泛用于许多应用，包括用于数据预处理和后处理的光谱学。顾名思义，机器学习 (ML) 是一种算法，其中算法从现有数据中学习模式，并尝试根据经过训练的数据对未知事物做出准确预测。它从大数据集中发现复杂模式的能力的潜力为有目的地提取和建模数据提供了机会。根据手头的问题，有不同的现有算法，有监督的和无监督的。深度学习是受人脑启发的机器学习的一个子领域，它使用多层神经网络对数据进行建模。在整篇文章中，机器学习还暗示了深度学习技术。随着计算设施的进步以及大数据的可用性和复杂性的增加，深度学习（一种机器学习）找到了它的位置。ML 的一些流行和相关示例是将电子邮件分类为跨度和非跨度，使用医学图像、人脸识别和天气预报在早期识别癌症。机器学习算法可以大致分为三种类型，即有监督的标记观察，无监督的无标记观察，以及从错误中学习以提高准确性的模型的强化学习[ 利用医学图像、人脸识别和天气预报在早期识别癌症。机器学习算法可以大致分为三种类型，即有监督的标记观察，无监督的无标记观察，以及从错误中学习以提高准确性的模型的强化学习[ 利用医学图像、人脸识别和天气预报在早期识别癌症。机器学习算法可以大致分为三种类型，即有监督的标记观察，无监督的无标记观察，以及从错误中学习以提高准确性的模型的强化学习[350 ]，总结在图 6以下。

图 6流程图说明了不同机器学习算法的分类，如有监督、无监督和强化模型。

随着数据收集的简便性和开源拉曼光谱数据的可用性，SERS 也见证了机器学习模型的激增 [ 49、351、352 ]。这种趋势是受欢迎和可取的，因为 SERS 中现有挑战的性质涉及痕量检测、信号波动、量化和识别是复杂的，有许多变量需要一种能够在没有专家的情况下捕获模式的分析工具 [ 353]. 迹线检测意味着从可以辅助 ML 的嘈杂背景中识别信号。由于热点的定位，SERS 还已知具有固有的信号波动。特别是在生物样本的情况下，它们具有来自不同不良成分的背景贡献，因此会干扰信号，需要 ML算法来提取有用信息[ 2、354、355、356、357 ]。数据收集、化学成分识别和量化的过程是非线性的，并且高度依赖于人类智能，这使其成为将 SERS 的好处带到现场的障碍 [ 358]. 一些广泛使用的技术包括主成分分析 (PCA)、支持向量机 (SVM)、偏最小二乘 (PLS)、决策树 (DT) 和卷积神经网络 (CNN)。PCA 是一种降维技术，其中保留了代表具有大方差的数据的分量。这被广泛用于预处理步骤，以降低模型的复杂性或作为分类技术[ 359、360、361 ]。SVM 是一种非线性 ML 技术，可用于回归和分类 [ 360 ]。它的工作原理是找到一个使用核函数区分两个或多个类的超平面[ 362]. 如果数据集较小且变量数量较多，PLS 因其仍能提取有用信息的能力而很有用，通常用于定量研究 [ 363、364 ]。DT 广泛用于使用方法自举 [ 365 ]对数据进行分类。CNN 是一种神经网络，它在体系结构中采用过滤器和池化层，如果数据集的大小足够大并且图像涉及建模 [366]，则经常使用。具体来说，在生物光子学领域，使用 SERS 的机器学习模型可以有效地分为三个领域：识别、分类和量化，涉及疾病和分子诊断等领域 [ 367，368 ]；微生物分类、鉴定等 [ 369 , 370 , 371 , 372 ]; 和癌症诊断 [ 373 ]，如所示图 7. 此外，机器学习还用于改进数据收集以克服信号波动并增强现场可用性 [ 374 ]，以估计散射的影响 [ 375 ] 和 SERS 信号增强本身 [ 376 ]。在进一步的部分中，我们讨论了在 SERS 中用于生物学应用的不同 ML 技术。

图 7使用基于 SERS 的等离子体传感器进行生物传感的机器学习应用示意图。

4.2. 鉴别

SERS 提供了许多生物分子的振动指纹，包括氨基酸、肽、碳水化合物、病原体和核酸 [ 377 ]。它也是无标签和非破坏性的，因此非常适合原位和快速识别。通常在生物样品分析的现实情况下，背景细胞信号或两个亚种的光谱相似性会产生不良影响。可以成功地训练机器学习模型来捕捉这些复杂的差异，并区分两个没有背景的相似光谱，有助于识别样品。图 8总结了迄今为止在使用 ML 进行 SERS 生物传感识别应用方面的工作。CNNs 被用于使用 SERS 和金多支纳米粒子 (AuMs) 来识别癌症，用不同的化学基团进行功能化，并在识别结构变化方面达到 100% 的准确率 [378 ]。使用 SERS 结合 CNN 鉴定药物敏感和耐药细菌菌株，并达到 100% 的准确性 [ 379 ]。不同的分类算法，如 LDA、SVM 和 KNN，被用于使用 SERS 的无标记方法按菌株和培养时间对大肠杆菌的细菌细胞外囊泡进行分类 [ 380]]. SVM 已成功用于鉴定人尿液中痕量水平的不同药物，准确度大于 92% [ 381 ]。SERS 芯片被设计用于识别癌症标志物 TIMP-1，并将其与 ML 结合以识别患者的肺癌和结肠癌 [ 382 ]。无标记 SERS 结合不同的机器学习算法，如随机森林、PCA-LDA 和决策树，用于使用血清样本鉴定结肠癌。结果发现，随机森林模型在准确性和特异性方面优于其他两个模型 [ 383 ]。SERS 结合 ANN 被用于识别不同的花粉样本，尽管使用 Au NPs 有很多光谱贡献 [ 384]. 基于微流控芯片的 SERS 基板与 Au 纳米粒子被用于 l Jurkat、THP-1 和 MONO-MAC-6 白血病细胞裂解物的鉴定，使用 SVM，并达到了 99% 的准确度 [385 ]。制造了一个芯片实验室 SERS 装置，并用于成功鉴定不同种类的分枝杆菌 [ 386 ]。机器学习模型 PLS-DA 和 CNN 用于通过 SERS 血清分析来识别透析患者肾功能障碍的不同阶段。CNN 模型的准确率达到 96%，优于 PLS-DA 的 84% [ 387 ]。SVM 在鉴定蓝藻方面优于其他技术，使用突变和野生型菌株的 SERS 光谱 [ 388]. 使用降维技术，然后是概率 ML 模型，SARS-CoV-2 识别的准确度约为 85% [ 389 ]。SERS 结合 SVM 也被用于肺癌的鉴定 [ 96 ]。

图 8机器学习技术在生物样本鉴定中的应用，利用SERS技术从外泌体HCT-116（结肠癌生物标志物）、A549（肺癌生物标志物）和非癌的（A）鉴定肺癌和结肠癌使用 ( a ) PCA、( b ) PLSDA 和 ( c ) SVM 执行的样本，具有 60% 的训练集和 40% 的测试集。( d ) 使用 SVM 模型预测测试集的标签。值 1 是对正常血浆的预测，值 2 是对 A549（肺癌）外泌体的预测，值 3 是对 HCT-116（结肠癌）外泌体的预测。突出显示的部分显示错误识别的标签。经许可转载自 [ 382]. 版权所有 (2022)，爱思唯尔。( B ) 使用 SERS 光谱结合人工神经网络，使用赢者通吃 (WTA) 方法鉴定 14 种市售花粉物种。经 [ 384 ] 许可转载。版权所有 (2015)，威利。( C ) 用于鉴定甲氧西林敏感金黄色葡萄球菌 (MSSA) 和耐甲氧西林金黄色葡萄球菌 (MRSA) 细菌的基于 SERS 的 ML 模型的示意图，使用 CNN 模型。经 [ 379 ] 许可转载。版权所有 (2021)，RSC。

4.3. 量化

使用 SERS 进行传感的好处之一还在于它能够检测痕量和超痕量分子。由于许多因素，例如热点的不均匀分布、分子的不均匀吸附和热点的定位，SERS 光谱中所选峰的强度和浓度关系通常是非线性的[ 361、390 ]。这需要机器学习模型能够捕捉强度和浓度关系的非线性模式，并进一步预测未知浓度。根据问题的需要，PCR、PLSR、SVR 和 XGBR 等回归 ML 模型用于微量生物分子的量化。

使用 PLSR 对抗生素和抗生素混合物进行了定量分析，准确度为 96% [ 391 ]。使用贝叶斯岭回归 (BRR)、支持向量回归 (SVR)、弹性净回归 (ENR) 和极端梯度增强回归( XGBR）算法，如图图 9[ 392 ]。制造了具有等离子体纳米间隙的 SERS 基板，并用于从复杂背景中检测绿脓素（绿脓杆菌的次级代谢产物）的痕量传感。此外，使用机器学习算法，使用 PLS [ 393 ] ，绿脓素的量化精度达到五位有效数字。使用不同的化学计量学技术（如 PCR 和 PLSR）对玉米中极低浓度的伏马霉素进行定量，准确度超过 90% [ 394 ]。在使用银纳米粒子作为等离子体底物收集的 SERS 光谱上使用 PLSR 模型对脐带全血中发现的硫醇进行量化 [ 395]. 使用 TLS 和 SERS 组合的光谱数据，PCA，然后是 SVR，用于量化海鲜中的组胺（一种过敏原）[ 396 ]。

图 9( A ) 基于 ML 的大肠杆菌O157:H7 定量示意图，使用 ( a ) SERS 纳米标签和 ( b ) 横向流动分析以及不同的回归模型，包括 SVR、BNR 和 XGBR。经 [ 392 ] 许可转载。版权所有 (2020)，施普林格。( B ) ( a ) ( i ) 侧流条的光学图像和 ( ii ) SERS 强度剖面中突出峰的 SERS 映射区域。( iii ) 测试线的相应 SERS 光谱。( iv ) 强度和浓度适合。( b ) 基于机器学习的回归适合 (i）贝叶斯岭回归（BRR），（ii）支持向量回归（SVR），以及（iii）弹性净回归（ENR）和（iv）极端梯度提升回归（XGBR）。( c ) 用于大肠杆菌检测的 PCR 图像。经 [ 392 ] 许可转载。版权所有 (2020)，施普林格。

4.4. 分类

用于生物传感 SERS 数据分析的分类算法的目标通常是区分与疾病的不同阶段或不同疾病本身相对应的不同类别、物种和光谱。目前为止，SVM、KNN、PCA等分类算法；不同的神经网络，如 CNN，被用于解决所陈述的问题。

使用 SVM 对不同的细菌种类进行分类和鉴定，使用带有金纳米粒子修饰的细菌纤维素纳米晶体 (BCNC) 的 SERS，准确率为 87% [ 397 ]。K-最近邻和决策树用于基于 SERS 的液体活检分析的分类，以识别胰腺癌患者、卵巢癌患者、胰腺炎患者的五种蛋白质生物标志物（CA19-9、HE4、MUC4、MMP7 和间皮素），和健康个体 [ 398 ]。使用 Au-Ag 纳米复合物装饰的 ZnO 纳米柱在纸上对肝癌样本进行直接血清分析，以使用 CNN 对癌症的不同阶段进行分类。该方法的准确率为 97.78% [ 399]. SERS 结合机器学习也被用于 PCOS 的筛查，使用 SERS 数据的分类算法。来自健康人和 PCOS 患者的卵泡液和血浆样本成功分类，准确率为 89%，两者均使用堆叠模型 [ 400 ]。使用应用于 SERS 光谱的主成分分析 (PCA) 对具有相似光谱特征的蛋白质种类进行分类 [ 401 ]。无需任何预处理步骤的 CNN 用于使用拉曼光谱对不同等级的膀胱癌组织进行分类，使用 SERS 光谱对不同种类的大肠杆菌进行分类。使用了不同的分类算法，如 KNN、PCA、SVM 和 ANN，但发现 CNN 在准确性方面优于其他算法 [402 ]。使用非结构蛋白 1 (NS1) 作为登革热的生物标志物，使用极限学习机和 PCA 模型对登革热患者进行分类，达到早期诊断目标的准确率为 100% [403 ]。使用 SERS 光谱和机器学习算法（例如 KNN、RF、SVM 和 RamanNet）对 12 种不同物种的细菌内毒素进行了鉴定和分类。虽然其他算法的准确率超过 90%，但 RamanNet 的表现优于它们，准确率为 100% [ 404 ]。为了在早期阶段识别癌症，使用了一种结合机器学习技术的新型疏水 SERS 底物的即时诊断系统，如图所示图 10[ 50 ]。使用深度学习技术收集和分析从近 690 名患者（包括正常和不同癌症（乳腺癌、白血病和乙型肝炎病毒））采集的血清样本的 SERS 光谱，以实现 100% 的成功分类数据准确率。他们以 98% 的准确率进行了外部测试，表明了在现实世界中的潜在用途。

图 10( A ) 用于使用从近 695 名患者收集的 SERS 光谱对不同癌症和正常血清样本进行分类的架构示意图。( B ) 以损失和 ( C ) 准确性作为指标实施的模型的学习曲线。( D ) 训练的混淆矩阵 ( E ) 测试数据集传达良好的准确性。经 [ 50 ]许可转载。版权所有 (2021)，威利。

5. 结论和范围

大量现有文献和对用于生物传感的 SERS 技术的持续兴趣是实现基于 SERS 的医疗点设备的有希望的迹象。这将彻底改变疾病诊断，因为它能够识别痕迹，实现早期检测、成本效益和快速诊断。在优化条件下，还使用 SERS 检测了单个细菌细胞，从而证明了其灵敏度 [ 295]. 使用 SERS，可以识别各种生物体液（例如尿液、唾液、血浆和血液）以及挥发性化合物和气体中的疾病生物标志物。与许多商业技术不同，SERS 不需要试剂，不需要顺序程序来识别疾病生物标志物。机器学习技术在 SERS 中得到广泛应用，因为它们能够识别没有背景噪声的复杂图案。PCA、SVM、ANN、CNN、KNN 和 PLS 等不同模型被用于微生物和包括癌症在内的不同疾病的识别、量化和分类。关于使用 SERS 进行癌症诊断，区分正常样本和癌变样本，包括细胞和液体，并且还进行了癌症不同阶段的区分。与现有的癌症筛查技术相比，这些方法具有成本效益、快速且灵敏。为应对大流行情况，SERS已被广泛用于检测新型COVID-19病毒以及跟踪疫苗的效率[266 ]。此外，SERS已广泛用于检测各种神经毒剂和其他生物战剂，从而扩大了其在国土安全方面的应用。SERS 的商业化已经在进行中，许多侧流和护理点设备已经开发出来以应对大流行病 [ 261 ]，并且对其他疾病的诊断具有与现有商业技术同等和同等的性能 [ 150 ]。例如，已确定 SERS 在癌症检测方面的性能优于商业酶联免疫吸附测定 (ELISA) 检测试剂盒，允许以非常少的样本量进行多重分析 [ 405 ]。在另一项研究中，它还显示比放射免疫测定 (RIA) 和 ELISA 实现更低的 LOD [ 406]. 在最近的一项研究中，将 SERS 与临床可用的血糖定量方法进行了比较，结果表明其表现同样出色 [ 407 ]。结果发现，SERS 比商业侧流分析法灵敏 16 到 32 倍，比使用相同试剂检测 covid 的 ELISA 灵敏 400 倍以上 [264 ]。拉曼系统的主要组件包括激光源、用于激发和信号收集的探头以及带有光谱仪的检测系统 [ 408 ]。所有这些前沿的小型化和降低成本的最新进展使得基于 SERS 的检测与便携式系统的广泛使用成为可能。

尽管有其优点，但在现实世界中扩大 SERS 用于生物传感的挑战几乎没有。首先，SERS 增强机制有一些固有的原因，结果证明是不受欢迎的，通常会导致信号波动和重现性差。由于密集场增强区域（“热点”）和金属样品吸附伪影的定位，已知 SERS 信号会波动。在激光照射下，这些热点也已知会扩散或变换，从而进一步增加了较差的再现性。具有均匀场增强的基板有望实现良好的重现性，但会以增强为代价并最终限制痕量检测 [ 374]. 其次，SERS 基底主要包含 Au 或 Ag 纳米粒子/纳米结构。这些纳米结构通常在长时间内不稳定，在暴露于环境大气时存在快速氧化的风险。由于它们的大表面电荷，它们也倾向于聚集形成簇。通常，通过添加可能影响 SERS 信号和与生物样品相容性的封端剂或配体来防止聚集和氧化。鉴于商业化，还存在SERS衬底的可重复使用性的问题。第三，实验室使用的 SERS 基底在特定仪器条件下进行了优化，例如激光波长、采集时间、功率和聚焦条件。关于床旁应用，具有相同的实验条件是一个挑战，从而限制底物效率。现场应用还需要具有成本效益且易于非专家操作的微型设备 [39 ]。特别是在生物传感方面，由于缺乏疾病特异性，现场基于 SERS 的检测是一项挑战。在大多数情况下，用于疾病检测的生物标志物，如蛋白质和抗原，都不是疾病特异性的，需要进一步评估才能让研究人员得出结论 [409 ]。在整个生物体或细胞/组织研究的情况下，由于蛋白质、DNA 碱基、脂质和其他细胞成分等各种成分的贡献，很难确定峰值。图 11总结了 SERS 在不同实验阶段的定量和定性分析的一些最佳实践。当前用于生物传感的 SERS 研究正朝着正确的方向前进，通过在仪器、远距离检测和使用 ML 技术改进数据收集和识别方面的探索来克服这些挑战，而无需专业知识。我们相信，在未来几年，这些挑战将得到成功应对，SERS 将在现实世界的低成本生物传感中发挥其全部潜力。

图 11使用 SERS 进行定量和定性检测的最佳实践步骤，以克服每个阶段的挑战，并以实际应用为目标。经 [ 390 ] 许可转载。版权所有 (2020)，RSC。