中南大学陈晓青/刘琦课题组EST｜机器学习辅助“收缩限制”SERS策略用于环境纳米塑料诱导的细胞死亡分类

文章信息

第一作者：李蕊利

通讯作者：陈晓青教授，刘琦副教授

通讯单位：中南大学

https://doi.org/10.1021/acs.est.4c05590

亮点

• 基于3D Ag@水凝胶，构建了可调纳米间隙中分子主动靶向的“收缩限制”SERS策略。

• 合成了纳米塑料（NPs），进一步吸附污染物模拟纳米塑料的“载体效应”。

• 结合机器学习监测NPs暴露后的细胞外代谢信号，对比了环境源NPs及实验室合成NPs之间的细胞毒性差异。

• 机器学习辅助代谢物SERS光谱分析“NPs载体效应”介导的细胞死亡模式转变差异。

研究进展

关于纳米颗粒（NPs）的细胞毒性研究主要集中在商业NPs上，而对于真实塑料中增塑剂和稳定剂等添加剂对细胞毒性的影响却研究较少。因此，基于环境塑料产品来研究NPs及其细胞毒性具有重要的现实意义。此外，NPs的“载体效应”在纳米塑料的毒性机制中同样扮演着关键角色。本研究以环境塑料制品为原料合成了NPs，并进一步吸附污染物以模拟纳米塑料的“载体效应”。利用SRSS技术追踪监测了细胞暴露于六种不同类型NPs时，丙酮酸、乳酸、磷脂酰肌醇和蛋白质等分泌物变化。机器学习分析结果表明，环境来源的NPs对BEAS-2B和L02细胞表现出更高的毒性，其中“NPs载体效应”尤为显著。这种效应导致BEAS-2B细胞的死亡途径由凋亡与铁死亡的结合转变为以铁死亡为主。此外，NPs暴露对L02细胞的影响大于对BEAS-2B细胞的影响，尤其是在“NPs载体效应”方面。该研究为阐明环境来源NPs的生物效应及其“NPs载体效应”提供了一种新方法，有望为环境保护和风险评估提供更全面的信息（图1）。

图1 图文摘要

图2说明基于Ag@hydrogel的SRSS的成功构建，hydrogel内部包裹了大量AgNPs，且实现了R6G的同步富集包裹。与乳液法相比，该研究提出的高压注射法制备的凝胶和Ag@hydrogels未引入额外的有机试剂或表面活性剂，避免了SERS基底背景干扰。

图2 水凝胶微球（A）和Ag@水凝胶微球（B）的显微图像。Ag@水凝胶微球的Zeta电位（C）、SEM图像（D、E）和元素映射图像（F、G、H、I）。Ca：钙；C：碳；O：氧；Ag：银。水凝胶合成过程中原位包覆R6G后的水凝胶的显微图像（J）和荧光图像（K）。（L）R6G、水凝胶微球、包裹R6G的水凝胶微球和包裹R6G的Ag@水凝胶微球的紫外-可见光谱。

随着水凝胶中的水分逐渐干燥，Ag@hydrogel的体积缩小，导致AgNPs和靶标逐渐靠近（图3A1–A3）。具体来说，随着水凝胶的收缩，靶标被运送到金属颗粒-颗粒连接处，从而能够同时操纵3D热点，并将靶标分子放置在热点中。图3B1–B3说明了纳米粒子之间的纳米间隙分别为20、10和3纳米时的电磁增强情况。结果表明，当纳米粒子之间的纳米间隙从20纳米缩小到10纳米时，最强电磁场的强度增加了约3倍。当纳米间隙进一步缩小到3纳米时，电磁强度增加了4倍。随着AgNPs之间的间距减小，相邻AgNPs之间的电磁强度增加，形成高密度热点，这使得在无需事先浓缩或进行疏水改性的情况下即可实现高灵敏度分析（图3C1–C3）。

图3 Ag@水凝胶的收缩过程。（A1–A3）湿润、半湿润和干燥阶段的3D Ag@水凝胶示意图。（B1–B3）具有不同纳米间隙的Ag@水凝胶的模拟电磁增强。（C1–C3）水蒸发过程中包裹在Ag@水凝胶3D热点中的R6G的SERS光谱。

利用t-SNE捕获整条光谱的多维特征。随着刺激时间的增加，具有相似特征的样品聚集成不同的簇，表明吸附相同污染物的PS NPs对细胞具有相似的影响。在4小时后，鉴定出五个不同的簇；而在12小时后，吸附了BPA的PS NPs与未吸附的PS NPs和吸附了Hg²⁺的PS NPs明显区分开来。结果证明了使用SRSS跟踪分泌代谢物随时间变化的可行性（图4）。

图4 （A）BEAS-2B细胞暴露于PS-E、PS-E@BPA、PS-E@Hg、PS-P、PS-P@BPA和PS-P@Hg 0.5、1、1.5、2、4和12小时后获得的细胞分泌物的平均SERS光谱。对光谱进行PCA（B）和t-SNE（C）分析。每个点代表一条单独的SERS光谱。

利用机器学习，探索了SERS记录的分泌组谱，对六种NPs诱导的细胞死亡进行了分类，并预测不同条件下的细胞毒性作用（活细胞/死细胞），并确定每种条件下诱导细胞死亡的比例（图5）。t-SNE评估了NPs和各种死亡诱导剂分泌物的相似性，评估了它们在高维空间中的相对距离。结果表明，在没有吸附污染物的情况下，PS-E和PS-P通过铁死亡和凋亡介导细胞死亡；而吸附污染物如BPA和Hg²⁺主要诱导铁死亡；虽然铁死亡似乎占主导地位，但也应该考虑包括坏死在内的其他细胞死亡机制的潜在作用（图6）。

图5 （A）BEAS-2B细胞（对照）、PS-E、PS-E@BPA和PS-E@Hg的Calcein-AM/PI染色。红色和绿色分别表示死细胞和活细胞以及活细胞/死细胞比例随时间变化的直方图。基于训练集（B）和测试集的SVM算法进行活/死分类的混淆矩阵。PS-E（D）、PS-E@BPA （E）和PS-E@Hg（F）刺激后BEAS-2B细胞的实际状态（活细胞比例）和KNN算法预测状态的散点图（训练集）。PS-E（G）、PS-E@BPA（H）和PS-E@Hg（I）刺激后BEAS-2B细胞的实际状态（活细胞比例）和KNN算法预测状态散点图（测试集）。

图6 T-SNE图。每个点代表一条SERS光谱。蓝色、紫色和绿色点分别表示铁死亡、凋亡和坏死光谱数据。红色点表示NPs暴露后BEAS-2B细胞分泌组的SERS光谱数据。

该研究建立了一种基于Ag@hydrogel的“收缩限制”SERS策略，用于在可调纳米间隙中进行主动靶向目标物，并结合机器学习监测NPs暴露后的细胞外代谢信号。结果表明，机器学习辅助分析代谢物SERS光谱可有效区分具有相似状态的细胞，表明“NPs载体效应”介导了BEAS-2B和L02细胞死亡模式的转变。该方法能够在NPs暴露后实时监测细胞和分子层面的代谢水平总貌，有望成为研究和识别NPs生物毒性及其“载体效应”的有力工具，为毒理学研究提供一种新途径。

该研究建立了一种基于Ag@hydrogel的“收缩限制”SERS策略，旨在在可调纳米间隙中主动靶向目标物，同时结合机器学习监测NPs暴露后的细胞外代谢信号。研究结果表明，机器学习辅助的代谢物SERS光谱分析能够有效区分具有相似状态的细胞，表明“NPs载体效应”在BEAS-2B和L02细胞死亡模式的转变中起到了重要的作用。该方法能够实时监测NPs暴露后细胞和分子层面的代谢水平变化，有望成为研究和识别NPs生物毒性及其“载体效应”的有力工具，为毒理学研究提供新的思路和途径。

作者介绍

陈晓青，二级教授，博士生导师，享受国务院政府特殊津贴。中南大学“531”二层次人才，“食品药品分子科学研究中心”主任。致力于生物、环境复杂体系分离分析，手性对映体识别与分离分析，生物、环境与食品安全即时检测（POCT）的研发。在Angew. Chem. Int. Ed.，Environ. Sci. Technol.，Anal. Chem.，等国际权威刊物上发表SCI收录论文300余篇，H-index=55。入围职业生涯全球top 2%科学家（主学科：分析化学，副学科：有机化学）。主持承担国家自然科学基金面上项目7项、及其他纵、横向项目近40项。2020年获湖南省自然科学二等奖1项，2013年获湖南省发明二等奖1项，2003年获湖南省进步一等奖1项。

通讯邮箱：xqchen@csu.edu.cn

刘琦，副教授，博士研究生导师。主要从事生物复杂体系分离分析、疾病早期诊断、环境与食品安全智能检测及纳米DNA生物传感器等方面的研究。主持国家自然科学基金青年/面上项目、中南大学创新驱动、湖南省自然科学青年/面上基金项目、中国博士后科学基金项目等10余项，以第一作者或通讯作者在Angew. Chem. Int. Ed.，Environ. Sci. Technol.，Anal. Chem.，等国际权威刊物上发表SCI收录论文100余篇，引用2600+次，H-index=28，2020年获湖南省自然科学二等奖1项（排名第3）。

通讯邮箱：iliuqi@csu.edu.cn

投稿、转载、合作、申请入群可在后台留言（备注：姓名+微信号）或发邮件至sthjkx1@163.com

【点击下方超链接阅读16个栏目推文】

1.【直播】	9.【院士】
2.【视频】	10.【综述】
3.【健康&毒理】	11.【写作】
4.【水】	12.【Nature】
5.【气】	13.【Science】
6.【土】	14.【WR】
7.【固废】	15.【EST】
8.【生态】	16.【JHM】