已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Label‐Free Identification of Exosomes using Raman Spectroscopy and Machine Learning

微泡 拉曼光谱 表面增强拉曼光谱 细胞外小泡 纳米粒子跟踪分析 纳米技术 材料科学 癌细胞 分子 外体 纳米颗粒 光谱学 人工神经网络 计算机科学 生物系统 人工智能 计算生物学 化学 小RNA 癌症 拉曼散射 细胞生物学 生物化学 生物 物理 基因 光学 有机化学 量子力学 遗传学
作者
Uğur Parlatan,Mehmet Ozgun Ozen,Ibrahim Keçoğlu,Batuhan Koyuncu,Hülya Torun,Davod Khalafkhany,İrem Loç,Mehmet Giray Ogut,Fatih İnci,Demir Akin,İhsan Solaroğlu,Nesrin Özören,Mehmet Burçin Ünlü,Utkan Demirci
出处
期刊:Small [Wiley]
卷期号:19 (9) 被引量:40
标识
DOI:10.1002/smll.202205519
摘要

Abstract Exosomes, nano‐sized extracellular vesicles (EVs) secreted from cells, carry various cargo molecules reflecting their cells of origin. As EV content, structure, and size are highly heterogeneous, their classification via cargo molecules by determining their origin is challenging. Here, a method is presented combining surface‐enhanced Raman spectroscopy (SERS) with machine learning algorithms to employ the classification of EVs derived from five different cell lines to reveal their cellular origins. Using an artificial neural network algorithm, it is shown that the label‐free Raman spectroscopy method's prediction ratio correlates with the ratio of HT‐1080 exosomes in the mixture. This machine learning‐assisted SERS method enables a new direction through label‐free investigation of EV preparations by differentiating cancer cell‐derived exosomes from those of healthy. This approach will potentially open up new avenues of research for early detection and monitoring of various diseases, including cancer.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
骆凤灵完成签到 ,获得积分10
8秒前
小蘑菇应助之_ZH采纳,获得10
10秒前
搞怪尔槐完成签到,获得积分10
11秒前
科研通AI2S应助科研通管家采纳,获得10
12秒前
科研通AI2S应助科研通管家采纳,获得10
12秒前
浅尝离白完成签到,获得积分0
14秒前
耳东完成签到,获得积分10
18秒前
21秒前
追寻哲瀚完成签到 ,获得积分10
21秒前
江子骞完成签到 ,获得积分10
23秒前
英勇羿完成签到,获得积分10
26秒前
Eliii完成签到 ,获得积分10
26秒前
完美世界应助bukeshuo采纳,获得10
26秒前
研友_nxV2X8发布了新的文献求助10
27秒前
神勇麦片发布了新的文献求助10
27秒前
28秒前
滾滾发布了新的文献求助10
30秒前
vuluv完成签到,获得积分10
30秒前
五棵松恶霸完成签到 ,获得积分10
30秒前
32秒前
之_ZH发布了新的文献求助10
33秒前
Hily完成签到,获得积分10
35秒前
研友_nxV2X8完成签到,获得积分10
40秒前
meixi完成签到,获得积分10
40秒前
感谢有你完成签到 ,获得积分10
45秒前
科研通AI2S应助研友_nxV2X8采纳,获得10
46秒前
46秒前
humorlife完成签到,获得积分10
47秒前
peterwei272完成签到 ,获得积分10
49秒前
滾滾发布了新的文献求助10
51秒前
咪咪不吃糖完成签到 ,获得积分20
57秒前
龙潜胜完成签到,获得积分20
57秒前
58秒前
1分钟前
陈宝妮完成签到,获得积分10
1分钟前
苏鱼完成签到 ,获得积分10
1分钟前
A9W01U完成签到,获得积分10
1分钟前
大模型应助之_ZH采纳,获得10
1分钟前
Hello应助1213采纳,获得10
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3146637
求助须知:如何正确求助?哪些是违规求助? 2797945
关于积分的说明 7826268
捐赠科研通 2454478
什么是DOI,文献DOI怎么找? 1306280
科研通“疑难数据库(出版商)”最低求助积分说明 627692
版权声明 601522