Лазерный плазмонный чип точно распознаёт и сортирует раковые клетки

Новый плазмонный чип, изготовленный лазерной обработкой, сочетает рамановское разрешение около 185 нм и алгоритмы глубокого обучения для идентификации и сортировки раковых клеток с заявленной точностью 96,2%.

Точная и эффективная изоляция интересующих клеток позволяет проводить подробный анализ их функций, изучать рост и культуру, а также профилирование экспрессии генов в гетерогенных популяциях. Исследователи представили микрожидкостный чип с усовершенствованной поверхностью для улучшенного комбинационного рассеяния света (SERS), который способен выполнять помеченную и, главное, безметочную идентификацию и сортировку одиночных клеток с применением методов глубокого обучения. Авторы отмечают, что результаты могут послужить ориентиром для дальнейшей разработки неинвазивных и быстрых методов сортировки клеток, потенциально полезных в клинической диагностике и персонализированной медицине.

Сортировка клеток — базовая и при этом критически важная процедура в биомедицине. Она разделяет смешанные образцы на более однородные подгруппы на основе их специфических свойств: это нужно для ясного изучения функций клеток, для исследований стволовых клеток, для выяснения механизмов заболеваний, а также для валидации лекарственных соединений и контроля качества клеточных продуктов. Без эффективных методов сортировки затруднён анализ редких клеточных популяций — например, раковых стволовых клеток или циркулирующих опухолевых клеток — которые важны для разработки новых препаратов и клинической диагностики.

Традиционная сортировка на основе проточной цитометрии появилась в 1960-х годах; в настоящее время широко используются методы, активируемые флуоресценцией, и методы, основанные на магнитном отборе. Эти системы пропускают отдельные клетки через лазер, заряжают капли с целевой клеткой и отклоняют их электрическими полями для сбора. Чтобы избежать маркировки и инвазивных манипуляций, разработаны альтернативы без меток — в частности, сортировка, активируемая изображением (IACS), акустическая сортировка (AACS) и сортировка, основанная на комбинационном рассеянии света. Такие подходы используют внутренние свойства клеток — форму, акустические характеристики и молекулярный состав, фиксируемый спектрами комбинационного рассеяния — но в сложных смешанных популяциях их точность остаётся ограниченной.

Для повышения точности исследователи применяли методы глубокого обучения на основе нейронных сетей. Однако такие алгоритмы часто вычислительно сложны и требуют специализированной подготовки пользователя. Ключевые препятствия для сортировки без меток — это низкая чувствительность и ограниченное пространственное разрешение, которые напрямую влияют на точность всего процесса от идентификации до изоляции и последующего анализа. SERS обеспечивает сильные сигналы комбинационного рассеяния и короткое время сбора данных, что делает этот подход перспективным по сравнению с IACS и AACS; рамановская визуализация дополнительно даёт пространственное разрешение и сокращает время обработки. В ряде работ SERS-данные использовали для обучения моделей глубокого обучения, в том числе с субстратами на основе наночастиц золота (Au) для сбора сигналов раковых клеток. Авторы подчёркивают, что выбор рамановских меток или биомаркеров остаётся критически важным для точного анализа SERS, и одних только методов глубокого обучения недостаточно для универсальной идентификации клеток.

Недавно исследовательская группа профессора Кодзи Сугиока и доктора Ши Бай из группы передовой лазерной обработки RIKEN предложила новый способ изготовления субстрата SERS с равномерно распределёнными «горячими точками» путём лазерного восстановления ионов золота в ближнем поле. Их работа опубликована онлайн 29 июля 2026 года в разделе «Ранний обзор» Opto-Electronic Advances.

По словам профессора Сугиока, этот метод позволяет создавать массивы плазмонных кольцевых наноструктур путём введения бромида цетилтриметиламмония в раствор‑предшественник. Наночастицы золота в таких структурах имеют размер примерно 28 нм, а число частиц и ширина промежутков в кольцах зависят от времени восстановления, что критично для устойчивых характеристик SERS.
Рамановское картирование продемонстрировало, что массивы кольцеобразных наноструктур обеспечивают очень однородное пространственное усиление SERS с относительным стандартным отклонением около 2%. Экспериментально подтверждённое пространственное разрешение анализа составило примерно 185 нм. Авторы отмечают, что это высокое пространственное разрешение оказалось решающим для точной безметочной идентификации клеток: при его использовании точность распознавания повысилась с 75% до 96,2%, что подчёркивает важность разрешающей способности субстрата для дальнейших исследований.

В качестве доказательства концепции команда изготовила устройство для сортировки клеток с помощью фемтосекундной лазерной обработки и продемонстрировала успешную сортировку раковых и нераковых клеток в Y‑образном микроканале. По предварительным результатам, разработанный сортировщик обеспечивает точное разделение клеток без необходимости использования биомаркеров или рамановских меток, — отметил профессор Сугиока.