把“看色差”变成可解释判别：DNA 组装纳米探针结合少样本 AI 检测甲胎蛋白

即时检测真正难的地方，不只是把目标分子测出来，还要让结果在复杂样品和简易设备条件下保持稳定。甲胎蛋白（AFP）常用于肝细胞癌筛查、风险分层和随访，但常规实验室方法离不开集中式流程和专用仪器。侧向层析虽然操作方便、出结果较快，灵敏度、条带显色和人工判读仍可能成为限制。特别是在接近判定界限的样本中，原本不大的颜色差异，经过不同光照、拍摄角度或血清背景影响后，可能得到并不一致的判断。

本研究把这几个环节连在了一起。七聚体纳米抗体负责捕获 AFP，利用多价结合提高识别的有效性；DNA 链则用来安排金纳米颗粒在探针中的相对位置，使颗粒形成受控的聚集状态，检测线的颜色对比度随之增强。试纸条由手机拍照后，图像交给基于 Prototypical Network 的少样本模型，模型按照样本特征与各类别原型的距离，将结果分为阴性、弱阳性、阳性和强阳性。这样得到的不是一个难以解释的黑箱分数，而是样本在特征空间中更接近哪一类的判断。

图1. 整合式侧向层析检测平台的工作流程示意图。平台包括七聚体纳米抗体探针、DNA 辅助金纳米颗粒聚集界面、手机图像采集和基于 Prototypical Network 的少样本图像判读模块。模型通过样本图像与已学习类别原型之间的距离进行分类，并提供基于度量关系的可解释判读。

DNA 加多少，会直接影响金纳米颗粒最后形成的样子。25 nM 时，颗粒主要是较小的离散团簇；浓度提高到 50 nM 和 75 nM 后，团簇逐渐变大，彼此之间的连接也更明显。100 nM 条件下已经可以看到较大的网络样结构，不过样品并不是完全均一，仍有不同大小的组装体共存。颗粒之间留下的纳米尺度间隙与 DNA 介导的排列相符，经过 DNase 处理后，大团簇被拆散，说明 DNA 确实参与了这一过程。综合侧向层析中的迁移和显色表现，后续实验采用 100 nM 条件作为工作点。

从定量结果看，DNA 浓度升高后，组装域的等效直径变大，单位面积内的域数量减少，标准化最近邻距离逐渐接近完全空间随机状态。成对相关函数在约 20 nm 处出现峰值，Ripley L 函数为正的范围也随之扩大，说明组装的有效尺度在增加。这里的 TEM 图像是在干燥、真空条件下获得的，和试纸条中有水、靠毛细作用迁移的状态并不相同。因此，这部分结果主要说明颗粒可以形成 DNA 组织的空间结构，不能简单理解为试纸运行时仍保持完全相同的形貌。

图2. 制备材料的表征。（A–D）DNA 浓度分别为 25、50、75 和 100 nM 时金纳米颗粒 DNA 辅助聚集体的 TEM 图像；（E）100 nM DNA 条件下观察到的较大网络样组装体代表性 TEM 图像；（F）不同 DNA 浓度下高分子量 DNA 辅助聚集体的琼脂糖凝胶电泳结果；（G）裸金纳米颗粒、AuNP@DNA 和 AuNP@DNA@A1-C4bpα 的 UV-Vis 光谱；（H）A1-C4bpα 的 SDS-PAGE 分析，显示单体和七聚体形式；（I）夹心 ELISA 的剂量-响应曲线，显示纯化七聚体纳米抗体对不同 AFP 浓度的结合活性。

把探针用于 AFP 检测后，试纸条在 5–300 ng/mL 范围内呈现表观线性响应，定量下限为 5 ng/mL。用 ImageJ 和快速信号分析仪处理图像，拟合决定系数分别为 0.9849 和 0.9926。肉眼观察时，2 ng/mL AFP 已能看到检测线，低于这一浓度时红色条带逐渐消失，因而得到约 2 ng/mL 的视觉检出限。在相同 AFP 浓度和相同检测条件下，DNA 辅助聚集探针的检测线信号约为普通单分散金纳米颗粒探针的 1.5 倍，说明这种颗粒组织方式确实改善了显色对比。

图3. DNA 辅助聚集放大侧向层析检测的灵敏度及临床样本分析。（A）基于 ImageJ 分析得到的 AFP 标准曲线；（B）基于快速信号分析仪得到的 AFP 标准曲线；（C）不同 AFP 浓度下的代表性试纸条；（D）不同 AFP 浓度临床血清样本的代表性试纸条结果。

选择性测试把 AFP 与 CEA、PSA、NSE、FER、GPC3、CA199 和 CA125 放在一起比较。在这组条件下，20 ng/mL 及以上 AFP 能够给出清楚的阳性信号，其他标志物没有出现假阳性或明显交叉反应。12 份医院血清样本的三次重复测量，RSD 均低于 15%。探针在 4 ℃ PBS 中保存，7 天后信号还剩 95% 以上，14 天后超过 91%，到 30 天仍超过 86%。但样本本身的颜色和浑浊度不能忽略：高黄疸、高浑浊的边界样本会影响光学读数，稀释能够减轻这种影响，却不能把基质干扰完全消除。

图像判读按照 AFP 浓度被分成四档：低于 5 ng/mL 为阴性，5 至低于 20 ng/mL 为弱阳性，20–100 ng/mL 为阳性，超过 100 ng/mL 为强阳性。PCA 和 t-SNE 的结果都显示，四类样本在模型特征空间中能够分开；前两个主成分合计解释约 69.8% 的总方差。类别质心之间的距离也保留了浓度等级的顺序，阴性和强阳性相距最远，弱阳性与阳性等相邻类别之间的距离较小，但仍有可辨别的区分。

图4. AI 辅助侧向层析判读的特征空间与可解释性分析。（A）学习嵌入特征的 PCA 投影；（B）同一嵌入特征的 t-SNE 可视化；（C）不同类别质心之间的成对欧氏距离；（D）不同诊断类别试纸条上的代表性激活图。

在留出的测试图像中，模型没有出现类别误判，激活位置也主要落在试纸检测线附近，而不是背景区域。阴性样本在检测线位置的激活较弱，随着结果从弱阳性变为阳性和强阳性，激活逐渐增强并变得集中。换句话说，模型学到的主要是与检测线显色有关的局部信息，而不只是整张照片的明暗。少样本方法可以减少对大量标注图像的依赖，但它并不自动解决设备和环境差异；支持样本是否覆盖实际手机、光照和拍摄条件，仍会影响最终表现。

从整个平台看，七聚体纳米抗体解决的是目标捕获，DNA 辅助聚集解决的是颗粒如何在检测线上形成更容易辨认的信号，Prototypical Network 则负责把手机照片转换成分级结果，并说明判别主要依据了哪里。AFP 检测中得到的视觉检出限约为 2 ng/mL，临床血清样本也表现出一定的定量一致性。不过，这些结果仍是受控条件下的可行性验证。边界浓度、颜色很深或很浑浊的血清、不同手机以及不同光照下会发生什么，现有数据还不能完全回答。AI 在这里是辅助判读工具，不能替代医生和临床诊断；要走向实际使用，还需要扩大临床样本并进行跨设备、跨批次的验证。

论文来源：https://doi.org/10.1016/j.bios.2026.118738