Proteoliposomes on 2D-MoS₂ plasmonic nanocavities for enhanced Raman spectroscopy with machine learning-based identification and classification
Notice bibliographique
Résumé
Synthetic proteoliposomes functionalized with disease-relevant surface markers offer a powerful platform for modeling biological vesicles such as lipid nanoparticles and extracellular vesicles. The simplified composition of proteoliposomes facilitates the design and interpretation of analytic approaches for classifying vesicles and characterizing their contents. Here, we present a library of synthetic proteoliposomes incorporating tumor-associated surface biomarkers—EGFR, α6β4, and αvβ5—and nucleic acid cargo, to mimic cancer-derived extracellular vesicle phenotypes. For molecular fingerprinting, we employed a custom-designed 2D-plasmonic nanocavity platform that enables high-resolution, label-free Surface-Enhanced Raman Spectroscopy (SERS). Integrated with supervised machine learning algorithms, including Random Forest Classifier (RFC) and Support Vector Machine (SVM), this system achieved robust classification of proteoliposome subtypes with test accuracies of 82% and 76%, respectively. Our results demonstrate the power of combining synthetic vesicle engineering with advanced optical sensing for capturing subtle biomolecular differences. This platform enables standardized, interpretable diagnostic readouts and offers a versatile tool for probing molecular interactions in lipid-based systems such as virus-like particles and nanotherapeutics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».