你知道吗？每种分子都有自己独一无二的“光学指纹”——这就是拉曼光谱。它就像给物质做“身份证扫描”，只需一束激光，就能识别出“你是谁”。如今，这项曾属于物理实验室的精密技术，正在走进神经外科的手术室，成为医生实时识别肿瘤基因类型的“火眼金睛”。复旦大学研究团队将拉曼光谱、纳米探针与人工智能深度融合，在手术台上仅需7分钟就能为脑胶质瘤“验明正身”，帮助医生实现从“凭经验动刀”到“按分子信息下刀”的跨越。
图1：通过检测氧化还原相关代谢物鉴别胶质瘤 IDH1 基因型
一、神经外科的终极难题：切与不切，都是生死抉择
脑胶质瘤是最常见的原发性脑恶性肿瘤，手术切除至今仍是治疗的核心手段。但胶质瘤细胞就像杂草的根系，悄无声息地侵入正常脑组织，肉眼根本无法分辨边界。b.过度切除：可能损害不可再生的神经、血管或功能区，导致瘫痪、失语等严重后遗症。而更棘手的是，同样是“胶质瘤”，基因类型不同，患者命运天差地别。2021年世界卫生组织（WHO）最新分类标准明确指出：IDH1基因突变状态是胶质瘤分型的核心分子标志。IDH1突变型（IDH1-MUT）：患者预后较好，中位生存期可达76个月，且对放化疗敏感。手术策略可更倾向于“功能保护”。IDH1野生型（IDH1-WT）：患者预后较差，中位生存期仅约34.6个月，对传统放化疗不敏感。手术策略应更倾向于“最大范围安全切除”。然而，现有检测方法——基因测序或免疫组化——耗时数天，根本无法在手术中使用。术中无法知道肿瘤的“性格”，医生就像在“开盲盒”。
二、另辟蹊径：不测基因，测“代谢指纹”
既然IDH1基因突变会改变细胞内的代谢状态，那能不能通过检测代谢物的变化来“反推”基因型？研究团队正是抓住了这个思路。他们发现，IDH1突变会引发两个显著且相反的代谢改变：还原型谷胱甘肽（GSH）——显著下降（抗氧化能力减弱）图2：左图两种拉曼报告分子 RR1、RR2 的化学结构，二者分别对谷胱甘肽（GSH）、过氧化氢（H₂O₂）产生特异性响应；右图RR1 随谷胱甘肽浓度变化的 SERS 光谱、RR2 随过氧化氢浓度变化的 SERS 光谱；谷胱甘肽浓度区间：0.5~20 mmol/L，过氧化氢浓度区间：0~200 μmol/L。
也就是说，只要能在术中同时、精准地测出这两种分子的浓度，就等于拿到了判断IDH1基因型的“钥匙”。但问题来了：如何在混杂着数十种分子的肿瘤组织中，快速锁定并定量检测这两个目标？
三、技术揭秘：拉曼“指纹” + AI解码 = 术中“基因雷达”
要实现上述目标，研究团队开发了一套精妙的组合技术：普通拉曼信号极其微弱。为此，研究团队用金纳米星作为“信号放大器”，当目标分子靠近纳米金表面时，拉曼信号可被增强百万倍——这就是表面增强拉曼散射（SERS）。
1.智能探针Au-R12P：一针测双标
团队设计了一款集双重检测功能于一体的SERS纳米探针（Au-R12P）。你可以把它想象成一个能够同时识别“红绿灯”和“车速”的多功能探测器：RR1（GSH感应器）：遇到GSH时，542 cm⁻¹处的拉曼峰强度显著上升，GSH浓度越高，信号越强。RR2（H₂O₂感应器）：遇到H₂O₂时，628 cm⁻¹处的拉曼峰强度显著下降，H₂O₂浓度越高，信号越弱。内置基准峰（928 cm⁻¹）：这个峰不随两种代谢物变化，用于校正信号波动，确保测量精准可靠。更关键的是，两个检测通道互不干扰，可以同时独立工作——这就是“正交响应”的优势。图3：A）Au-R12P 针对氧化还原代谢物的比率响应原理示意图。 B）生理浓度区间内，不同谷胱甘肽（0.5–20 mM）条件下 Au-R12P 在磷酸盐缓冲液（PBS）中的拉曼光谱。 C）仅添加谷胱甘肽（浓度 0.5~20 mM，过氧化氢浓度为 0 mM）时，Au-R12P 的拉曼强度比值（I542/I928 and I628/I928）随谷胱甘肽浓度变化曲线，每组样本 n=5。 D）生理浓度区间内，不同过氧化氢（5–200 μM）条件下 Au-R12P 在磷酸盐缓冲液（PBS）中的拉曼光谱。 E）仅添加过氧化氢（浓度 5~200 μM，谷胱甘肽浓度为 0 mM）时，Au-R12P 的拉曼强度比值（I542/I928 and I628/I928）随过氧化氢浓度变化曲线，每组样本 n=5。
3. AI大脑 DBCNet：让光谱“说话”
传统的拉曼光谱解读需要人工比对、拟合，耗时长且易出错。为此，团队开发了名为DBCNet的深度学习模型，专门处理这些光谱“指纹”：基于9600条不同浓度GSH和H₂O₂的光谱数据训练；引入批次关联机制，充分挖掘不同光谱之间的差异信息。图4： DBCNet 网络的结构示意图，该网络用于解析氧化还原代谢物体系下 Au-R12P 探针的拉曼光谱。将随机选取 N 条 Au-R12P 拉曼光谱构成一个小批次数据，先通过相对位置矩阵（RPM）算法将一维光谱转换为二维图像，再基于 ResNet-18 骨干网络完成光谱特征向量的初始化。网络采用双分支架构，借助批次相关模块分别对 GSH、H₂O₂的原始特征进行精细化优化；批次相关模块会计算同一批次内任意两条光谱的特征相似度。最终通过全连接层输出 GSH 与 H₂O₂的预测浓度。
结果显示，DBCNet预测GSH和H₂O₂浓度的决定系数（R²）超过0.99，平均预测误差比传统模型降低了30%以上，数秒内即可完成分析。
四、临床实战：7分钟，从组织到答案
1、样本处理极简：切下的肿瘤组织块，在含有Au-R12P探针的溶液中浸泡5分钟，探针就能渗透进入组织表层约0.5毫米。2、扫描快速：医生使用手持式拉曼扫描仪，对组织表面多个点位进行点对点扫描，2分钟可完成数十个点的数据采集。3、AI即时解码：数据传入DBCNet模型，实时生成组织表面的H₂O₂和GSH浓度分布图，整个过程从组织离体到出结果，仅需约7分钟。
五、结语
这篇研究展示了人工智能、纳米材料、光谱分析三大前沿技术融合的巨大潜力。它让原本只能在实验室完成的基因分型，有望在手术台上“即时”实现。这不仅仅是一次检测技术的革新，更是向 “实时分子影像引导的精准神经外科” 时代迈进的关键一步，为无数脑胶质瘤患者带来了新的希望。拉曼光谱：利用激光照射产生的非弹性散射光，获取分子的“指纹”信息，用于识别物质身份。SERS（表面增强拉曼散射）：借助金/银纳米结构，将拉曼信号增强百万倍，实现超高灵敏度检测。IDH1基因：胶质瘤最重要的分子分型标志物，直接决定患者预后和治疗策略。正交响应：两种检测通道互不干扰，能够同时独立检测不同目标物质。深度学习：一种人工智能算法，能够自动学习复杂数据特征，实现高精度预测和分类。（注：本文内容基于发表于《Advanced Science》期刊的学术论文《Artificial Intelligent‐Enhanced Metabolite Profiling for Intraoperative IDH1 Genotyping in Glioma Using an Orthogonally Responsive SERS Probe》编写，旨在进行科学知识传播，不构成任何医疗建议。）
