本研究旨在解决传统胶体金侧向层析法在临床样本中检测低丰度tau蛋白时灵敏度不足和定量准确度不高的问题，为阿尔茨海默病的早期筛查提供一种低成本、快速、准确的即时检测工具。研究构建了集成超声富集模块的侧向层析平台，利用超声声场驱动纳米颗粒聚集，实现样品预富集，并引入K近邻分类和高斯过程回归两种机器学习算法，对增强后的比色信号进行分类和定量预测，从而在不稀释血清样本中实现对tau蛋白的高灵敏和高准确检测。
实验结果显示，该方法对血清样本的分类准确率达98.11%，定量预测准确率达99.99%，检测限降至10.30 pg/mL。在人血浆样本的初步验证中，该方法与医院诊断结果及商用胶体金分析仪具有良好的一致性。该研究为侧向层析法在阿尔茨海默病临床诊断中的应用提供了新的技术路线，即通过物理富集与智能算法相结合，突破传统比色法的灵敏度瓶颈。
文章分类
临床转化
正文
实验流程概览
| 实验环节 | 仪器技术 | 解决问题 | 产生数据 |
|---|---|---|---|
| 样品前处理与超声富集 | 便携式超声驱动器（含PZT换能器、PDMS微腔）、超声驱动电路板 | 提高低丰度tau蛋白的局部浓度，增强后续免疫反应效率 | 超声富集后的AuNP-抗体-蛋白复合物；富集效果显微图像 |
| 侧向层析检测 | 胶体金侧向层析试纸条（含NC膜、样品垫、吸收垫），Nikon Z5相机采集图像 | 实现特异性免疫识别和比色信号输出 | 试纸条测试线与质控线图像；RGB颜色数据 |
| 机器学习建模与分析 | K近邻分类算法、高斯过程回归算法（基于Python或MATLAB平台，具体软件未说明） | 对颜色信号进行准确分类和定量预测，克服传统阈值判读的局限 | KNN混淆矩阵分类准确率；GPR预测浓度与真实浓度一致性；Bland-Altman一致性分析数据 |
| 临床样本验证 | 人血清加标样本、人血浆临床样本；商用胶体金免疫分析仪 | 评估方法在真实临床样本中的检测性能与诊断一致性 | 血清样本加标检测数据；血浆样本分类结果；与医院诊断结果对比数据 |
超声富集提升灵敏度
在传统侧向层析中，当待测物浓度极低时，AuNP探针在NC膜上与捕获抗体结合的数量有限，导致比色信号弱，肉眼难以判读。本研究引入超声富集步骤，利用声辐射力驱动AuNP—抗体—tau蛋白复合物在微腔内聚集，从而提高单位时间内的局部浓度，增加免疫反应概率。该步骤直接提升了检测灵敏度，使肉眼检测阈值从0.2 ng/mL降至0.02 ng/mL，约10倍增强。
实验中使用便携式超声驱动器，核心是PZT换能器与PDMS微腔。通过调节输入频率（如700 kHz），在微腔中形成单声压节点，粒子在声辐射力作用下聚集。研究者通过有限元模拟验证了不同频率下的声压分布，确定了最佳富集频率。显微观察显示，AuNPs在50秒内即可形成聚集。该设备尺寸约为7.5×6×2.5厘米，适合POCT场景。此环节解决了“如何在不增加成本或复杂操作的前提下提高检测灵敏度”的问题，为后续机器学习分析提供了信噪比更高的原始信号。
机器学习优化信号解读
传统侧向层析通常依靠肉眼或简单灰度值判读，但人眼对弱色差分辨有限，且复杂样品基质中颜色信号易受干扰。本研究将试纸条测试线的RGB值作为特征，分别用KNN和GPR算法处理。KNN负责分类，即判断样本属于哪个浓度区间；GPR负责回归，直接预测具体浓度值。两者形成互补，先分类后定量，提高整体准确性。
模型训练采用5折交叉验证，以避免过拟合。在PBS缓冲液中，KNN分类准确率达100%，GPR预测R²达0.99996；在未稀释血清中，KNN分类准确率仍有98.11%，GPR预测R²达0.99992，Bland-Altman图显示98%的数据点落在一致性界限内。这说明机器学习能有效提取RGB信号中的浓度信息，显著优于传统线性拟合方法（KNN相关度提升约25～30%，GPR各通道相关度提升5～33%）。此环节解决了“如何从颜色信号中获得准确、客观的定性和定量结果”的问题，将主观判读转变为数据驱动。
临床样本验证与诊断应用
为了评估方法的临床转化潜力，研究者首先在未稀释的胎牛血清中加标tau蛋白，模拟患者血清样本。结果显示检测限达10.30 pg/mL，证明在复杂基质中仍具有高灵敏度。特异性实验表明，该平台对非目标蛋白无显著交叉反应（p < 0.001）。
随后对6例临床血浆样本进行盲测，其中3例来自AD患者，3例为健康对照。检测结果与医院诊断完全相符。同时，利用商用胶体金免疫分析仪进行对比分析，AD与健康对照的色度强度有极显著差异（p < 0.001）。该部分验证了超声富集与机器学习平台在真实临床样本中的可靠性，展示了其作为AD辅助诊断工具的潜力。
技术关系与应用参考
| 关系类型 | 涉及仪器/技术 | 关系说明 |
|---|---|---|
| 流程先后 | 超声富集设备 → 侧向层析试纸条 | 超声富集后的样品释放至试纸条上，顺序执行**富集**和**免疫层析**。 |
| 互补增强 | 超声富集设备 → 侧向层析试纸条 | 超声富集提升局部浓度，增强免疫反应产生的比色信号，弥补LFA灵敏度不足。 |
| 数据处理 | 相机 → 机器学习算法（KNN、GPR） | 相机拍摄的RGB信号输入ML模型，替代人工判读实现客观分类和定量。 |
| 验证对比 | 机器学习平台 ↔ 商用胶体金分析仪 | 使用临床样本对比验证，两者结果一致，确认机器学习平台准确性。 |
如果研究目标是开发针对其他低丰度生物标志物的即时检测方法，本研究的仪器组合提供了一种可借鉴的框架：便携式超声富集模块（PZT+PDMS微腔）与侧向层析试纸条结合，再用相机和机器学习算法处理信号。前提是目标物能够与AuNP标记抗体结合并形成免疫复合物，且超声参数（频率、时间）需要重新优化。更稳妥的理解是，该方案的创新点在于物理富集与智能算法的协同，而非单一部件，因此移植时需要关注实验流程的整合性。
文献信息
Wang S, Zhu Y, Zhou Z, et al. Integrated Ultrasound-Enrichment and Machine Learning in Colorimetric Lateral Flow Assay for Accurate and Sensitive Clinical Alzheimer's Biomarker Diagnosis[J]. Advanced Science, 2024. doi:10.1002/advs.202406196. PMID: 39297315.