$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Dit protocol schetst een uitgebreid, labelvrij platform dat oppervlakte-versterkte Raman-spectroscopie (SERS) integreert met machine learning (ML) om individuele kleine extracellulaire blaasjes (sEV's) te detecteren en moleculair te profileren voor diagnostische en therapeutische toepassingen. De methode begint met sEV-isolatie met behulp van grootte-uitsluitingschromatografie of ultracentrifugatie. Geïsoleerde vesikels worden vervolgens geanalyseerd op gemanipuleerde plasmonische gouden nanopiramide 2D-array-substraten die enkelvoudig gevoelig zijn. Door gebruik te maken van intrinsieke Raman-biochemische vingerafdrukken, maakt het protocol een detectie van hoge specificiteit mogelijk zonder externe labels. Na spectrale acquisitie ondergaan gegevens preprocessing en worden ze geanalyseerd met getrainde machine learning-algoritmen (bijv. LDA, SVC) om ziektetoestanden te classificeren, waarbij maagkanker succesvol wordt onderscheiden van gezonde controles met behulp van sEV's uit weefsel, plasma en speeksel met respectievelijke classificatienauwkeurigheden van 90,1%, 70,9% en 60,7%. Daarnaast wordt de therapeutische toepassing aangetoond door de kwantificatie van doxorubicinebelasting in enkele sEV's, een meting die wordt versterkt door het gebruik van grafeengecoate substraten als interne standaard. Deze aanpak maakt een analyse met hoge doorvoer mogelijk die populatieheterogeniteit vastlegt, essentieel voor vroege ziektedetectie en het begrijpen van de efficiëntie van het laden van geneesmiddelen op het niveau van één blaasje.