Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Erforschung der Anwendung oberflächenverstärkter Raman-Streuung-basierter Biosensierung einzelner sEVs in der Krankheitsdiagnose und -therapie

405 Aufrufe

⸱

DOI:

10.3791/69258

⸱

13. März 2026

 ,  ,  , 
1Department of Materials Science and Engineering, University of California Los Angeles, 2Cornea Division, Stein Eye Institute, University of California Los Angeles

* These authors contributed equally

In diesem Artikel

Zusammenfassung

Hier präsentieren wir ein Protokoll zur Analyse einzelner kleiner extrazellulärer Vesikel (sEVs) mittels label-freier, oberflächenverstärkter Raman-Spektroskopie (SERS), was minimalinvasive Krankheitsdiagnostik und Bewertung von sEVs als therapeutische Verabreichungsmittel ermöglicht.

Zusammenfassung

Dieses Protokoll beschreibt eine umfassende, labelfreie Plattform, die oberflächenverstärkte Raman-Spektroskopie (SERS) mit maschinellem Lernen (ML) integriert, um einzelne kleine extrazelluläre Vesikel (sEVs) für diagnostische und therapeutische Anwendungen zu erkennen und molekular zu profilieren. Die Methode beginnt mit der sEV-Isolierung entweder durch Größenausschlusschromatographie oder Ultrazentrifugation. Isolierte Vesikel werden anschließend auf konstruierten plasmonischen Gold-Nanopyramiden-2D-Array-Substraten analysiert, die eine Einzelvesikelsensitivität aufweisen. Durch die Nutzung intrinsischer Raman-biochemischer Fingerabdrücke ermöglicht das Protokoll eine hochspezifizierte Detektion ohne externe Etiketten. Nach der spektralen Erfassung werden die Daten vorverarbeitet und mit trainierten maschinellen Lernalgorithmen (z. B. LDA, SVC) analysiert, um Krankheitszustände zu klassifizieren, wobei Magenkrebs erfolgreich von gesunden Kontrollpersonen mit sEVs aus Gewebe, Plasma und Speichel mit entsprechenden Klassifikationsgenauigkeiten von 90,1 %, 70,9 % und 60,7 % unterschieden wird. Zusätzlich zeigt sich ihre therapeutische Anwendung durch die Quantifizierung der Doxorubicin-Belastung in einzelnen sEVs, eine Messung, die durch die Verwendung von graphenbeschichteten Substraten als internen Standard verbessert wird. Dieser Ansatz ermöglicht eine Hochdurchsatzanalyse, die die Populationsheterogenität erfasst, die für die frühzeitige Erkennung der Krankheit und das Verständnis der Effizienz der Arzneimittelbeladung auf Einzelvesikelebene unerlässlich ist.

Einleitung

Kleine extrazelluläre Vesikel (sEVs), typischerweise mit einem Durchmesser von 30 bis 200 nm, werden von Zellen auf natürliche Weise in biologische Flüssigkeiten ausgeschieden und enthalten Proteine, Lipide und Nukleinsäuren, die auf ihre Ursprungszelle 1,2,3 hinweisen. Da nicht-invasive Biomarker in Speichel, Urin und anderen Körperflüssigkeitenvorhanden sind, bieten sie vielversprechende Möglichkeiten für frühzeitige Krankheitsdiagnose, Prognose und therapeutische Überwachung, insbesondere in der Onkologie 5,6,7. Ihre klinische Übersetzung wird jedoch durch ihre hohe Heterogenität und geringe Häufigkeit in komplexen biologischen Matrizenbehindert 8. Um solche Herausforderungen zu meistern, nutzt dieses Protokoll die oberflächenverstärkte Raman-Spektroskopie (SERS), eine leistungsstarke analytische Methode, die die Raman-Streuung über plasmonischeSubstrate 9,10,11 bis zu 10–10–1011 Mal verstärken kann. SERS erfasst innerhalb von Sekunden intrinsische molekulare "Fingerabdruck"-Spektren einzelner sEVs, was eine ultrasensitive Einzelvesikelanalyse ermöglicht und gleichzeitig lange Assay-Zeiten vermeidet.

Unsere Methode kombiniert synergetisch etikettenfreie, auf Basis von SERS, um eine schnelle, ultrasensitive Charakterisierung einzelner sEVs 12,13,14,15,16 zu erreichen. Labelfreies SERS erfasst intrinsische biochemische Signaturen und hat in Kombination mit maschinellen Lernmodellen wie LDA und SVC gezeigt, dass es sEVs von gesunden von kranken Zellen mit hoherSpezifität 13 unterscheiden kann. Um die Reproduzierbarkeit und quantitative Leistungsfähigkeit unserer Plattform weiter zu verbessern, ist unsere Methode vollständig kompatibel mit graphenbezogenen Raman-Substraten16. Einschichtiges Graphen bietet eine chemisch gleichmäßige Oberfläche, die plasmonische Hotspots stabilisiert und die molekulare Adsorption verbessert17,18, und noch wichtiger: Einschichtiges Graphen dient als "eingebautes" Messgerät der SERS-Signale12,19, was die Quantifizierungsfähigkeit der detektierten Moleküle ermöglicht. Obwohl der Durchmesser des Raman-Laserstrahls (~ 1 μm) größer ist als der eines typischen sEV, erreicht unsere Plattform eine effektive Einzel-Vesikel-Auflösung dank des einzigartigen Zusammenspiels von physikalischen und statistischen Mechanismen. Das quasi-periodische Gold-Nanopyramidensubstrat erzeugt hoch lokalisierte plasmonische "Hot Spots" von Größen kleiner als 100 nm, die Raman-Signale auf superlineare Weise verstärken12. Dadurch dominiert das Signal des sEV, das dem intensivsten Hotspot im Strahl stochastisch am nächsten liegt, das Spektrum. Zusätzlich bestätigt die SEM-Bildgebung, dass sEVs gut auseinander liegen (> 1 μm Abstand), wodurch spektrale Überlappungen minimiert werden, während Raman-Intensitätskarten eine Signallokalisierung zeigen, die der Größe einzelner Vesikelentspricht 13,14. Zusammen stellen diese Merkmale sicher, dass jedes gesammelte Spektrum überwiegend einem einzelnen sEV entspricht, was statistisch robuste, labelfreie Einzelvesikelanalyse ermöglicht. Im Vergleich zu herkömmlichen Ansätzen wie Western Blot, Massenspektrometrie oder regulärer Raman-Streuung, die große Probenvolumen erfordern und keine Einzelvesikel20 auflösen können, bietet unsere Einzelvesikel-SERS-Plattform überlegene Empfindlichkeit, Durchsatz und molekulare Auflösung. Dieser Arbeitsablauf ist geeignet für Forscher, die minimalinvasive, hochauflösende diagnostische Werkzeuge entwickeln oder die Heterogenität von sEV und die Effizienz der Medikamentenbelastung in individualisierten therapeutischen Studien untersuchen möchten. In diesem Protokoll zeigen wir, wie unsere SERS-Plattform einzelne sEVs nutzt, um Krankheitserkennung und therapeutische Anwendungen zu ermöglichen, insbesondere im Bereich Krebs, einschließlich des gesamten Arbeitsablaufs der Vesikelisolierung, der Vorbereitung von plasmonischen Substrats, der Raman-Erfassung und der Datenanalyse mit maschinellem Lernen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die Sammlung menschlicher Proben erfolgte gemäß der Erklärung von Helsinki und wurde vom Institutional Review Board (IRB) der UCLA genehmigt. Alle Spender gaben vor ihrer Teilnahme an der Studie eine schriftliche informierte Einwilligung.

HINWEIS: In dieser Studie wurden insgesamt 4 Zelllinien verwendet: AGS (CRL-1739), A549 (CCL-185), NCI-N87 (CRL-5822), Hs 738.St/Int (CRL-7869), alle von einem kommerziellen Anbieter gekauft. Diese Zelllinien wurden kultiviert und strikt nach den Anweisungen und Reagenzien des Anbieters durchführt. Das konditionierte Medium wurde gesammelt und bei -20 °C gelagert, bevor es verarbeitet wurde. Im Samsung Medical Center in Korea spendeten Spender freiwillig Gewebe-, Plasma- und Speichelproben. Magenkrebsgewebe wurde während der chirurgischen Resektion gewonnen, während Biopsien von nicht-krebsartigen Kontrollpersonen mittels Endoskopie entnommen wurden. Das Plasma wurde in EDTA-Röhrchen gemäß den standardisierten klinischen Protokollen gesammelt. Etwa 5 ml unstimulierter ganzer Speichel wurden von jedem Versuchsperson entnommen und dann bei 2.600 × g für 15 Minuten bei 4 °C zentrifugiert. Um extrazelluläre RNA zu erhalten, wurde der Supernatant mit dem SUPERase-In RNase-Inhibitor bei 20 U/mL ergänzt. Alle Proben wurden bis zur weiteren Verarbeitung bei -80 °C aufbewahrt. sEVs wurden aus konditionierten Medien und klinischen Proben gemäß den festgelegten Protokollen21 isoliert.

1. Isolierung und Charakterisierung von sEV

  1. Bereite sEV-Proben vor
    1. Tauen Sie den freigegebenen Zellkultur-Supernatant vollständig bei Raumtemperatur auf.
    2. Führen Sie den Überstandsstoff durch einen sterilen 0,22-μm-Spritzenfilter, um Rückstände und größere Verunreinigungen zu entfernen.
    3. Gleiche eine 35-nm-Größenausschlusschromatographie (SEC)-Säule mit 1× PBS-Lösung aus.
    4. Übertragen Sie 500 μL der gefilterten Probe auf die Säule.
    5. Eliutieren Sie die Probe mit 1x PBS gemäß den Anweisungen des Herstellers.
    6. Sammeln Sie die EV-angereicherten Fraktionen und lagern Sie sie in sauberen Phiolen bei −20 °C.
  2. Bestimmen Sie die Partikelkonzentration und -größe
    1. Verdünne sEVs-Proben in sterilen DPBS auf eine Endkonzentration von 107–109 Partikeln/mL.
    2. Mit einem Nanopartikel-Tracking-Analysegerät nehmen Sie pro Probe fünf 60-Sekunden-Videos auf. Verwenden Sie einen Kamerapegel von 14 und eine konstante Durchflusseinstellung von 25.
    3. Analysieren Sie die Videos mit der Software des Instruments und wenden Sie den Verdünnungsfaktor an, um die Endpartikelkonzentration (Partikel/mL) und den mittleren Durchmesser (nm) zu bestimmen.
  3. Charakterisieren Sie die Tetraspanin-Expression
    1. Vorscannen Sie menschliche Tetraspanin-Chips (1 cm × 1 cm, vorbeschichtet mit Anti-CD9, Anti-CD63 und Anti-CD81), um ein Basissignal zu etablieren.
    2. Laden Sie verdünnte sEV-Proben auf die Chips in einer versiegelten 24-Well-Platte und inkubieren Sie sie über Nacht bei Raumtemperatur.
    3. Fügen Sie 35 μL Detektionsantikörper hinzu (anti-CD9 CF488, anti-CD63 CF647, anti-CD81 CF555) und inkubieren Sie 1 Stunde bei Raumtemperatur.
    4. Waschen Sie die Chips gemäß dem Protokoll des Herstellers.
    5. Messen Sie die vesikuläre Tetraspanin-Expression mit einem Biomarker-Charakterisierungsleser und der zugehörigen Scan-Software.
  4. Bestätigen Sie die sEV-Morphologie mit TEM
    1. Fixiere ~100 μL sEVs mit ~100 μL 4% Paraformaldehyd für 30 Minuten.
    2. Laden Sie etwa 100 μL feste sEVs auf 300-Mesh-Kupfergitter und inkubieren Sie 5 Minuten.
    3. Spülen Sie die Gitter mit deionisiertem Wasser.
    4. Färben Sie die Gitter mit einer 1%igen Lösung aus Uranylacetat (~ 20 μL) in destilliertem Wasser.
    5. Führen Sie eine letzte Spülung mit Wasser durch und lassen Sie die Gitter vollständig an der Luft trocknen.
    6. Fotografieren Sie die Proben mittels Transmissionselektronenmikroskopie (TEM), um die sEV-Größe und -Morphologie zu bestätigen.

2. SERS-Plasmonische Substratherstellung 12,18,19

  1. Nanosphären-Monoschicht erschaffen
    1. Polystyrolkugeln mit einem Durchmesser von 500 nm auf einer Wasseroberfläche innerhalb eines Langmuir-Blodgett-Trog ausbreiten.
    2. Kompressiere die Kugeln sanft, um eine eng gepackte sechseckige Monoschicht zu bilden.
    3. Übertragen Sie die Kugelmonoschicht auf einen 4-Zoll-Si-Wafer (mit ~50 nm thermischem SiO2), indem Sie den Wafer in den Trog tauchen und ihn langsam nach oben ziehen.
  2. Etz-Nanosphären-Array
    1. Reduzieren Sie den Kugeldurchmesser von 500 nm auf ~250 nm mit einem reaktiven Ionen-Ätzsystem mit Sauerstoffplasma(O2-Gasstrom bei 100 sccm, 50 s, 200 W Leistung). Für weitere Details zum Fertigungsprozess siehe bitte die Veröffentlichung unserer früheren Arbeit 12,18,19.
    2. Eine 50-nm-Cr-Schicht über das geschrumpfte Kugelarray durch Elektronenstrahlverdampfung mit 1,5 Å pro s abgelagert.
    3. Heben Sie die Polystyrolkugeln mit Aceton ab, um eine perforierte Cr-Maske auf derSiO-2-Oberfläche zu hinterlassen.
    4. Lade die freiliegende SiO-2-Schicht in den Cr-Öffnungen mit einer Mischung von 25 sccm Ar, 25 sccm CHF3 und einer RIE-Leistung von 200W für 2 Minuten ein.
  3. Umgekehrte Pyramiden erschaffen
    1. Tauchen Sie den Wafer für 2 Minuten in 60 Wt% KOH bei 60 °C ein, um invertierte pyramidale Gruben in das Silizium zu ätzen.
    2. Entferne die Cr-Maske 5 Minuten lang mit einem Cr-Etzmittel.
    3. Entferne dieSiO-2-Schicht in 6:1-gepuffertem Oxidätzmittel, bis sie vollständig entfernt ist.
    4. Einen 200 nm Au-Film konforme über den umgekehrten Pyramiden mittels Elektronenstrahlverdampfung abgeben.
  4. Finalisierung des plasmonischen Substrats
    1. Tragen Sie schnell aushärtendes Epoxidharz (~1 mL) auf ein separatesSiO-2/Si-Substrat auf. Drücken Sie den goldbeschichteten Wafer auf das Epoxidharz, um eine Sandwichstruktur mit der Goldschicht in der Mitte zu bilden.
    2. Ziehe das Epoxidharz von der Siliziumform ab, um nach vollständiger Aushärtung des Epoxidharzes ein freistehendes Au-plasmonisches Substrat zu bilden.

3. Graphentransfer auf plasmonisches Substrat

  1. Bereite Graphenfilm vor.
    1. Bereite eine 1 M FeCl3-Lösung vor (eine 1 M große Lagerlösung aus wasserfreiem Eisenchlorid wurde hergestellt, indem 81 g FeCl3 in deionisiertem Wasser gelöst und auf ein Endvolumen von 500 ml verdünnt wurden), um das Kupfersubstrat aus einer PMMA-beschichteten Monoschicht-Graphenschicht zu ätzen.
    2. Legen Sie das mit Graphen beschichtete Kupferblech verdeckt auf die Oberfläche derFeCl-3-Lösung , bis das Kupfer vollständig gelöst ist.
  2. Graphenfilm ausspülen
    1. Mit einem sauberen Glasträger überträgt man die schwimmende Graphenfolie vorsichtig in ein deionisiertes Wasserbad, um Ätzmittelrückstände abzuspülen.
    2. Wiederhole diesen Spülschritt dreimal.
  3. Graphen auf Substrat übertragen
    1. Lassen Sie das SERS-Plasmonische Substrat im letzten DI-Wasserbad unter der Graphenfolie schwimmen.
    2. Heben Sie das Substrat vorsichtig an, damit das Graphen gleichmäßig auf seiner Oberfläche abgesetzt wird.
    3. Das mit Graphen beschichtete Substrat 1 Stunde lang bei Raumtemperatur an der Luft trocknen.
    4. Es wird in eine Vakuumkammer umgeleitet und unter reduziertem Druck bei 180 °C 1 Stunde getrocknet.
  4. Sauberes Endsubstrat
    1. Tauchen Sie das getrocknete Substrat 1 Stunde lang in ein Acetonbad bei 50 °C, um das PMMA aufzulösen.
    2. Spülen Sie das Substrat dreimal mit Isopropylalkohol ab.
    3. Trocknen Sie das gereinigte, mit Graphen übertragene plasmonische Substrat in einem Desiccator vor der Benutzung.

4. SERS-Probenvorbereitung und Spektrenerfassung

  1. Probe auf Substrat vorbereiten
    1. Pipettieren Sie etwa 5 μL der sEV-Probe auf das passende plasmonische Substrat.
      HINWEIS: Zur Quantifizierung von medikamentenbelasteten sEVs werden Vesikel auf das Gold-Graphen-Substrat aufgetragen. Für alle anderen Experimente verwenden Sie ein einfaches goldenes plasmonisches Substrat.
    2. Setzen Sie das Substrat in einen Desikator und lassen Sie den Tropfen vollständig trocknen (~15 Min).
  2. Kalibrieren Sie das Raman-System
    1. Übertragen Sie das Substrat auf ein konfokales Raman-Mikroskop.
    2. Starte die Datenerhebung mit der Software des Instruments (WiRE Version 4.4).
    3. Stellen Sie den Anregungslaser auf 785 nm bei 5 mW ein.
    4. Kalibrieren Sie das System, indem Sie die Silizium-Referenzspitze auf 520 cm-1 ausrichten.
  3. Spektren aus Goldsubstrat gewinnen (Diagnostik)
    1. Führen Sie einen Scouting-Scan über einen Bereich von 300 μm × 300 μm durch, um einzelne Vesikel im statischen Modus mit folgenden Einstellungen zu lokalisieren: 50 % Leistung, 0,1 s Belichtung, 10 μm Schrittweite.
    2. Nach der Lokalisierung der sEVs führen Sie eine hochauflösende Kartierung im statischen Modus innerhalb eines 5 × 5-Gitters mit folgenden Einstellungen durch: 1 μm Schrittweite, 50 % Strom, 0,2 s Belichtung pro Punkt.
  4. Spektrum vom Graphensubstrat aufnehmen (Therapeutika)
    1. Führen Sie einen Scouting-Scan über einen Bereich von 300 μm × 300 μm durch, um einzelne Vesikel im statischen Modus mit folgenden Einstellungen zu lokalisieren: 50 % Laserleistung, 0,1 s Belichtung, 10 μm Schrittweite.
    2. Führen Sie hochauflösende Kartierung im erweiterten Modus mit einem 2 × 2-Gitter unter folgenden Einstellungen durch: 1 μm Schrittweite, 1 % Laserleistung, 10 s Belichtung.

5. Datenvorverarbeitung

  1. Spektrale Qualitätskontrolle durchführen
    1. Screenen Sie zunächst die rohen Spektren, um stark verrauschte Signale oder Spektren mit abnormalen Formen auszuschließen.
    2. Entfernen Sie isolierte kosmische Strahlenspitzen mittels Schwellenwerterkennung oder lokaler Abweichungsfilterung.
  2. Spektren filtern und normalisieren
    1. Wenden Sie auf jedes Spektrum einen Savitzky-Golay-Filter an, um den Fluoreszenz-Hintergrund zu reduzieren und die Daten zu glätten.
    2. Berechnen Sie das Signal-Rausch-Verhältnis (SNR) jedes Spektrums, typischerweise mit entweder dem Peak-zu-Baseline-Verhältnis oder der Standardabweichungsmethode. Zur weiteren Erklärung: Typischerweise wurde der SNR für jedes Spektrum als das Verhältnis der Spitzenintensität (nach Baseline-Subtraktion) an einem repräsentativen Raman-Band zur Standardabweichung des Rauschens berechnet. Das Rauschen wurde aus dem Restspektrum geschätzt, indem eine Savitzky-Golay-geglättete Version des Spektrums (Fenstergröße = 11, Polynomordnung = 3) vom ursprünglichen Spektrum subtrahiert wurde, wodurch hochfrequente Fluktuationen isoliert wurden. Um empirisch eine geeignete SNR-Schwelle zu bestimmen, wurden alle Spektren in aufsteigender SNR-Reihenfolge eingestuft, und die Persistenz charakteristischer biochemischer Spitzen – insbesondere des Phenylalaninbands (~1002 cm-1, Aminosäure), des Amid-I-Bands (~1650 cm-1, Protein) und des CH-2-Deformationsbands (~1440 cm-1, Lipid) – wurde über die gerankten Spektren bewertet. Die Schwelle wurde an dem Punkt gesetzt, an dem einer dieser diagnostischen Spitzen konsequent im Basisrauschen verschwand. Für unser Gold-Nanopyramiden-SERS-Substrat und die Erfassungsparameter (785 nm Anregung, 5 mW Laserleistung, 0,2 s Integration) entsprach dies empirisch einem SNR-Schwellenwert von 28.
    3. Schließen Sie alle Spektren aus, die unter der SNR-Schwelle liegen, wie gemäß 5.2.2 oben festgelegt. In unserem Workflow wurden Spektren mit einem SNR unter 28 aus dem Trainingsdatensatz ausgeschlossen, da die Festlegung der Schwelle auf dieser Ebene sicherstellt, dass nur hochwertige Spektren für die nachgelagerte Analyse und die Verbesserung der Modellrobustheit erhalten bleiben.
    4. Normalisiere jedes Spektrum entweder auf die maximale Spitzenintensität oder die Gesamtfläche unter der Kurve.

6. Spektralanalyse mit maschinellem Lernen

  1. Train the Model
    1. Jeder spektralen Messung wird ein Etikett zugeordnet, das ihrem Ursprung entspricht (z. B. Magenkrebspatient vs. gesunde Kontrolle).
    2. Geben Sie die spektralen Daten in einen Support Vector Classifier (SVC) mit einem linearen Kernel ein.
    3. Verwenden Sie eine geschichtete Mischungsaufteilung für die 5-fache Cross-Validation.
    4. Mitteln Sie die Genauigkeitskennzahlen aus jeder Falt, um die Modellleistung zu bewerten.
  2. Reduziere die Dimensionalität und klassifiziere
    1. Verwenden Sie Linear Discriminant Analysis (LDA), um hochdimensionale SERS-Daten in reduzierten Dimensionen zu visualisieren.
    2. Verwenden Sie das LDA-Modell für die direkte Klassifikation zwischen Stichprobengruppen.
  3. Bewerten Sie das Modell
    1. Bewerten Sie die trainierten Modelle an einer Ersatzgruppe verblindeter Patientenproben, um ein praxisnahes diagnostisches Szenario zu simulieren. Für weitere Informationen siehe bitte diese Publikationen unserer Gruppe 13,15,22.
      HINWEIS: Führen Sie alle Schritte mit sauberen Werkzeugen in einer staubfreien Umgebung durch. Monolayer-Graphen wurde auf einem Kupfersubstrat angebaut oder gewonnen und mit einer PMMA-Schicht beschichtet, um es während des Transfers zu schützen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Die erfolgreiche Umsetzung des Single-Vesicle-SERS-Protokolls ergibt unterschiedliche Raman-Spektren von einzelnen sEVs, was eine nachgelagerte diagnostische Klassifikation und Überwachung der therapeutischen Arzneimittelbelastung ermöglicht. Abbildung 1 zeigt den Arbeitsablauf der diagnostischen Studie für Magenkrebs bzw. der medikamentengeladenen sEVs-Überwachungsanwendung, die unser hier beschriebenes Protokoll verwendet.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Ein zentraler Aspekt dieses Protokolls ist die Substratvorbereitung und die Reinigung von sEV. Die Leistung von labelfreien SERS hängt stark davon ab, gleichmäßige, hochkonforme plasmonische Substrate mit starkem Enhancement-"Hot Spot" zu erzeugen. Ebenso ist eine hochreine sEV-Isolierung mittels Größenausschlusschromatographie unerlässlich, um zuverlässige und reproduzierbare SERS-Spektren zu erzeugen. Verunreinigungen wie Proteinaggregate oder Lipoproteine schwächen nicht nur ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass sie keine Interessenkonflikte im Zusammenhang mit diesem Werk haben.

Danksagungen

Diese Arbeit wurde vom National Center for Advancing Translational Sciences der National Institutes of Health unter den Fördernummern 4UH3TR002978-03 und 1U18TR003778-01 sowie durch einen Zuschuss des California Institute for Regenerative Medicine (CIRM) (Fördernummer TRAN1-14649) unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
1x PBSThermo Fisher ScientificJ61196. AP
300-Mesh KupfergitterElektronenmikroskopiewissenschaftenEMS200-Cu
4%-ParaformaldehydlösungSigma Aldrich1004960700
4″ Si wafers MSE-LieferungenWA0810(100) orientiert 
A549-ZelllinieATCCCCL-185 
AGS-ZelllinieATCCCRL-1739
Zentrifugenrotor F-35-6-30, 5430Eppendorf22654306
CHA Mark 40CHA Mark 40https://chaindustries.com/mark-40-system/E-Strahl-Verdampfung
Cr-ÄtzmittellösungSigma Aldrich651826-500ML
Doxorubicin  D-4000LC LaboratoriesD-4000_3g
ExoView R100 System und ExoView Human Tetraspanin KitNanoView Biowissenschaftenhttps://www.nowmedicalstudios.
com/portfolio/nanoview-
biosciences-3d-product-illustrations
FeCl3 LösungSigma Aldrich451649
HF-LösungSigma Aldrich695068-500ML
Hs 738.St/Int ZelllinieATCCCRL-7869
inÜber das konfokale Raman-MikroskopRenishawhttps://www.renishaw.com/en/
invia-confocal-raman-microscope
--6260?srsltid=AfmBOoqbZlyW
qv2KDdcXV0UZnp8tdLNgYZ0
GbZvGOWI6z1OKi48rg5-b
KOH-LösungSigma Aldrich417661
MaxQ 4000 Benchtop-Inkubatier-/KühlshakerThermowissenschaftlichSHKA4000 (4320)
MCO-19AIC-InkubatorSANYO8380-30-0035
Millex-GP-FilterMilliporeSigmaSLGPM33RS  0,22 &mikro; m
NanoSEM 230 MikroskopFEISEM-FEI-014 
Nanosight NS300Malvern Panalyticalhttps://www.malvernpanalytical
.com/en/support/product-support
/nanosight-range/nanosight-ns300
NCI-N87-ZelllinieATCCCRL-5822
Optima TLX UltrazentrifugeBeckman Coulter8043-30-1197
Oxford Plasmalab 80 PlusOxford Plasmalabhttps://plasma.oxinst.com/
Produkte/RIE/PlasmaPro-800-RIE
PolystyrolkugelnAlfa AesarAA42711AB500 nm
qEVoriginal/35 nmIzonICO-35
Einschichtiges GraphenMSE-LieferungenME0408
T-75-KolbenVWR156800
TF20 Hochauflösende EMFEIhttps://eicn.cnsi.ucla.edu/project/fei-tf20-tem/
UranylacetatlösungElektronenmikroskopiewissenschaften22400-1

Referenzen

  1. Van Niel, G., et al. Challenges and directions in studying cell-cell communication by extracellular vesicles. Nat Rev Mol Cell Biol. 23 (5), 369-382 (2022).
  2. Herrmann, I. K., Wood, M. J. A., Fuhrmann, G. Extracellular vesicles as a next-generation drug delivery platform. Nat Nanotechnol. 16 (7), 748-759 (2021).
  3. Raposo, G., Stoorvogel, W. Extracellular vesicles: Exosomes, microvesicles, and friends. J Cell Biol. 200 (4), 373-383 (2013).
  4. Möller, A., Lobb, R. J. The evolving translational potential of small extracellular vesicles in cancer. Nat Rev Cancer. 20 (12), 697-709 (2020).
  5. Mathieu, M., Martin-Jaular, L., Lavieu, G., Thery, C. Specificities of secretion and uptake of exosomes and other extracellular vesicles for cell-to-cell communication. Nat Cell Biol. 21 (1), 9-17 (2019).
  6. Alvarez-Erviti, L., et al. Delivery of siRNA to the mouse brain by systemic injection of targeted exosomes. Nat Biotechnol. 29 (4), 341-347 (2011).
  7. Kahroba, H., Hejazi, M. S., Samadi, N. Exosomes: From carcinogenesis and metastasis to diagnosis and treatment of gastric cancer. Cell Mol Life Sci. 76 (9), 1747-1758 (2019).
  8. Ferguson, S. W., Nguyen, J. Exosomes as therapeutics: The implications of molecular composition and exosomal heterogeneity. J Control Release. 228, 179-190 (2016).
  9. Stiles, P. L., Dieringer, J. A., Shah, N. C., Van Duyne, R. R. Surface-enhanced Raman spectroscopy. Annu Rev Anal Chem. 1, 601-626 (2008).
  10. Jeon, T. Y., Kim, D. J., Park, S. G., Kim, S. H., Kim, D. H. Nanostructured plasmonic substrates for use as SERS sensors. Nano Converg. 3, 1-10 (2016).
  11. Nie, S., Emery, S. R. Probing single molecules and single nanoparticles by surface-enhanced Raman scattering. Science. 275 (5303), 1102-1106 (1997).
  12. Wang, P., et al. Ultra-sensitive graphene-plasmonic hybrid platform for label-free detection. Adv Mater. 25 (35), 4918-4924 (2013).
  13. Liu, Z. R., et al. Gold nanopyramid arrays for non-invasive surface-enhanced Raman spectroscopy-based gastric cancer detection via sEVs. ACS Appl Nano Mater. 5 (9), 12506-12517 (2022).
  14. Jonak, S. T., et al. Analyzing bronchoalveolar fluid derived small extracellular vesicles using single-vesicle SERS for non-small cell lung cancer detection. Sens Diagn. 2 (1), 90-99 (2023).
  15. Liu, Z. R., et al. Label-free single-vesicle based surface enhanced Raman spectroscopy: A robust approach for investigating the biomolecular composition of small extracellular vesicles. PLoS One. 19 (6), e0304287(2024).
  16. Liu, J., et al. On the feasibility of SERS-based monitoring of drug loading efficiency in exosomes for targeted delivery. Biosensors (Basel). 15 (3), 198(2025).
  17. Ling, X., et al. Can graphene be used as a substrate for Raman enhancement. Nano Lett. 10 (2), 553-561 (2010).
  18. Wang, P., et al. Giant optical response from graphene-plasmonic system. ACS Nano. 6 (7), 6244-6249 (2012).
  19. Wang, P., et al. Label-free SERS selective detection of dopamine and serotonin using graphene-Au nanopyramid heterostructure. Anal Chem. 87 (20), 10255-10261 (2015).
  20. Qiu, L., et al. Current advances in technologies for single extracellular vesicle analysis and its clinical applications in cancer diagnosis. Biosensors (Basel). 13 (1), 60(2023).
  21. Akbar, N., Pinnick, K. E., Paget, D., Choudhury, R. P. Isolation and characterization of human adipocyte-derived extracellular vesicles using filtration and ultracentrifugation. J Vis Exp. (170), e64102(2021).
  22. Li, T., et al. Label-free SARS-CoV-2 detection platform based on surface-enhanced Raman spectroscopy with support vector machine spectral pattern recognition. Eng Sci. 23, 862-870 (2023).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

Raman-Spektroskopiekleine extrazelluläre VesikelsEV-IsolierungKlassifizierung mittels maschinellem Lernenplasmonisches SubstratGold-Nanopyramiden-ArrayGraphen-SubstratDoxorubicin-Beladung
Erforschung der Anwendung oberflächenverstärkter Raman-Streuung-basierter Biosensierung einzelner sEVs in der Krankheitsdiagnose und -therapie
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.