近日，生物技术系焦瑾团队在中科院一区杂志《Chemical Engineering Journal》上发表题为“High-velocity DNA nanoharvester-enabled ultrasensitive analysis: Decoding extracellular vesicles miRNA assisted by machine learning for grading of Alzheimer’s disease”的研究性论文。程涛博士、郁家宝硕士研究生为共同第一作者，生物技术系焦瑾副教授、郝岗平教授为论文通讯作者。山东第一医科大学为第一完成单位。

阿尔茨海默病（Alzheimer’s disease，AD）是一类以认知功能持续下降为主要特征的神经退行性疾病。其早期阶段通常表现为轻度认知障碍（MCI），这一阶段被认为是干预和延缓疾病进展的重要窗口。然而，目前临床常用的检测手段，如脑脊液检测和正电子发射断层扫描（PET），存在侵入性强、成本较高等问题，难以用于常规筛查。基于血液样本的检测方法具有微创优势，但用于诊断的关键生物标志物在外周血中含量较低，检测灵敏度和分期能力仍有待提升。焦瑾团队围绕上述问题，提出了一种基于DNA纳米结构与机器学习算法相结合的检测策略，用于阿尔茨海默病的分级诊断。 

研究发现DNA纳米结构提高miRNA检测效率：研究以细胞外囊泡来源的miR-193b作为检测对象。该分子被认为与AD的发生发展相关，但在血液中的丰度较低，给检测带来挑战。研究团队构建了一种高速DNA纳米收割机（high-velocity DNA nanoharvester，HVDN）结构，将多个DNAzyme集成于DNA纳米管骨架中。在目标miRNA触发下，系统通过链置换扩增（strand displacement amplification，SDA）激活DNAzyme，使其在电极表面连续切割信号探针，从而增强电化学信号输出。与传统单价DNAzyme体系相比，该结构在信号增长速率和放大效率方面表现出一定优势。

结合机器学习实现疾病分级分析：在检测信号获取的基础上，研究进一步引入线性判别分析（LDA）算法，对电化学数据进行特征提取与分类分析。通过将平均电流值、信号波动等参数作为输入特征，并采用交叉验证方法，建立了区分健康人群、MCI患者与AD患者的分类模型，实现了从“检测”到“分级分析”的整合。

性能评估与验证：实验结果显示，该方法对EV-miR-193b的检测限可达fM量级，并能够有效区分同源或错配序列。在含10%人血清的体系中仍保持较好的信号稳定性。动物实验中，该平台可区分不同月龄的APP/PS1转基因AD模型小鼠与正常对照组。在临床样本测试中，该方法对不同分期人群表现出较好的区分能力，为血液样本用于AD分级诊断提供了新的技术思路。

本研究得到国家自然科学基金、泰山学者计划、及昌平实验室项目的支持。

论文链接：

https://doi.org/10.1016/j.cej.2025.171406

撰稿：焦瑾

编辑：王淑敏

责编：殷晓蕾

终审：尹刚 郝岗平