使用基于M13噬菌体的三维等离子体结构进行无标记唾液筛查平台以诊断药物相关颌骨坏死

为什么用唾液检测颌部问题很重要

许多接受强力骨保护药物的人——例如癌症或骨质疏松患者——面临一种小但严重的风险：颌骨坏死，称为药物相关颌骨坏死。该病可导致慢性疼痛、感染和牙齿脱落，但现有影像检查往往在早期无法发现该病。本研究提出了一种简单的唾液检测方法，结合先进传感器和人工智能，未来可能帮助医生在颌部问题恶化前发现异常。

常用骨病药物带来的隐患

与抗吸收和抗血管生成药物相关的颌骨损伤已让医生困惑二十多年。该病通过药物作用与患者自身因素（如其他疾病、化疗或类固醇使用）共同作用而发展。接受高剂量这些药物的人，尤其是癌症患者，风险最大。目前诊断依赖症状和影像检查，如X光和锥束CT。但在非常早期，特别是骨组织尚未暴露之前，这些影像可能看不出明显变化，因此容易被漏诊或误诊为其他问题。

在一滴唾液中倾听化学信号

唾液默默携带着口腔和全身发生事态的化学记录，包括数百种小分子和蛋白质。早期研究提示，患有该颌骨疾病的患者唾液中存在独特模式，但标准实验室工具难以筛选出明确且一致的标志物。研究团队转而使用表面增强拉曼散射（SERS），这是一种基于光的方法，能够在不添加标记的情况下同时读取许多分子的整体图谱。当激光照射到特制金属表面时，称为“热点”的微小区域会极大放大来自邻近分子的光信号，使唾液中微量成分更易被检测到。

用病毒和金子构建微小放大器

为制造灵敏的唾液传感器，团队将三种成分混合成他们称之为“代谢物墨水”的配方：金纳米颗粒、一种无害的丝状病毒M13噬菌体，以及少量唾液。通过受控涂覆方法，这种墨水被拉伸涂覆在类玻璃芯片上，构成三维等离子体结构——一个精心间距排列的金颗粒与病毒丝的“森林”。金颗粒负责放大光信号，而M13噬菌体帮助防止颗粒聚集，从而形成理想的间隙以产生热点。通过调整病毒浓度，研究者调控颗粒之间的距离，以最大化信号强度并在芯片上保持稳定、可重复的测量。

为机器学习清理嘈杂数据

由于唾液成分会随饮食、压力和其他日常因素变化，原始光谱通常很杂乱。团队构建了一个多步清理流程来为机器学习准备数据。首先，他们去除由宇宙射线造成的罕见“尖峰”人工伪影，并平滑激光和检测器产生的随机噪声。接着，他们将每个光谱归一化到信号中稳定的部分，以便不同样本能够公平比较。最后，他们使用一种称为皮尔逊相关系数的统计度量来识别并丢弃与其组内典型样本不相似的异常光谱，剔除那些可能被暂时条件或技术故障扭曲的读数。

教计算机识别病变颌骨

有了清理后的光谱数据，研究者训练了几类计算模型，以区分来自颌骨受损患者与健康对照的唾液样本。他们聚焦信号中富含生物信息的部分，并谨慎地划分数据，确保来自同一人的所有测量要么全部用于训练，要么全部用于测试，二者绝不混合。在三种测试方法中，多层感知器（一种神经网络）表现最佳。在使用一种兼顾试错和概率的搜索策略对其参数进行微调后，该模型在测试集中能正确识别所有患者（敏感性100%），同时对大多数健康个体给出正确否定（特异性约85%），从而获得了较强的整体性能。

这对患者意味着什么

该研究表明，一种无标记的唾液检测，配合专门的金-病毒传感器和精心设计的机器学习方法，能够在这组小样本中以高准确率区分出药物相关颌骨损伤患者与健康者。该工作仍处于早期阶段：大多数患者为中期疾病，且对照组与患者组在年龄和性别上并不完全匹配。在该方法可用于临床之前，需要更大、更平衡的研究，尤其是要验证其在识别最早、最难察觉病例方面的能力。即便如此，这一方法指向了一个前景：快速、无痛的唾液检测可能帮助监测高风险患者、指导转诊至牙科专家，并可能被改造用于检测在唾液中留下化学指纹的其他疾病。

引用: Kim, Y.H., Kwon, JJ., Jang, M. et al. Label-free saliva screening platform using M13 bacteriophage-based 3D plasmonic structures for MRONJ diagnosis. Sci Rep 16, 10378 (2026). https://doi.org/10.1038/s41598-026-40342-8

关键词: 唾液诊断, 颌骨疾病, 拉曼光谱学, 等离子体传感器, 医学中的机器学习