单细胞拉曼光谱（SCRS）能非标记、非侵入性、无损、全景式地揭示细胞代谢状态，因此基于SCRS的活体单细胞流式检测（Raman Flow Cytometry，RFC），有着广阔应用前景。近日，单细胞中心和青岛星赛生物合作发明了基于介电诱导确定性侧向位移完成单细胞聚焦、捕获/释放的拉曼流式检测技术pDEP-DLD-RFC，并证明其针对人体细胞（肿瘤）、植物（微藻）、酵母和细菌等多种细胞类型的广谱适用性。基于此推出的FlowRACS 3.0仪器，为活体单细胞代谢表型组的高通量检测提供了全新工具。该工作近日发表于《先进科学》（Advanced Science）。

　　针对上述问题，单细胞中心王喜先、任立辉、刁志钿、何曰辉等带领的研究小组发明了“介电诱导确定性侧向位移实现单细胞聚焦、捕获/释放的拉曼流式检测技术”（Positive Dielectrophoresis Induced Deterministic Lateral Displacement-based Raman Flow Cytometry，pDEP-DLD-RFC）。首先，通过宽流场高流量的进样策略，有效防止细胞沉降，从而实现了长时间稳定运行（＞5小时）；其次，通过介电诱导细胞确定性侧向位移，实现宽场中细胞高效聚焦地流经检测位点，从而保证了拉曼检测效率；最后，通过施加检测时间依赖的周期性介电场，实现了单细胞的快速捕获/释放，以满足各种不同代谢表型的普适性、高通量检测。

　　基于上述关键技术突破，研究小组研制成功兼具广谱通用性、高通量、运行稳定性等性能的高通量拉曼流式检测系统，并开发了一系列应用：肿瘤细胞分类、微藻合成过程监控、产油酵母多表型监控、细菌药敏性检测。

　　第一，植物生物制造过程的代谢监控。基于共振拉曼信号，实现了雨生红球藻中虾青素含量的实时监测，从而示范了单细胞精度的虾青素累积过程细胞工厂代谢状态的监控，并考察了“高光”和“缺氮”等条件对细胞虾青素累积速度及其同步性的影响。其虾青素含量检测速度达~2700 events/min，为目前最高的自发拉曼检测/分选通量。

　　第二，酵母生物制造过程的代谢监控。基于非共振拉曼信号，示范了油脂酵母中细胞代谢活力、甘油三脂含量、油脂不饱和度等多个关键代谢表型的同步动态监控，进而通过拉曼组机器学习、拉曼组内关联分析（Intra-Ramanome Correlation Analysis，IRCA）等算法，实现了单细胞代谢状态（准确率＞96%）的实时鉴定，以及细胞内代谢物相互转化网络的实时重建。

　　第三，细菌药敏性的流式快检。基于单细胞中心前期提出的重水饲喂单细胞拉曼药敏原理，以大肠杆菌和多种常见抗生素为例，开发了流式药敏快检技术，并通过与拉曼药物应激条形码（Raman Barcode for Cellular Stress-response，RBCS）、IRCA、拉曼组机器学习等算法，证明该流式药敏快检技术还能实时地判断单菌体精度的药物应激状态、构建细胞内代谢物相互转化网络等，从而揭示细菌-药物互作机制。此外，流式检测大大提高了药敏检测中SCRS取样深度，对于识别群体中通常占比很低的耐药细胞，具有重要的意义。

　　第四，肿瘤细胞类型的快速区分。基于SCRS中信息丰富的指纹区，以膀胱癌、肺癌、肾细胞癌、乳腺癌等细胞株为例，证明流式拉曼技术耦合拉曼组机器学习算法，能以平均>95%的准确率，完成肿瘤细胞类型的快速判别。该方法对于肿瘤细胞质量检测等应用具有潜在的应用价值。

　　与转录组、蛋白组和代谢物组相比，拉曼组能表征单细胞精度的底物代谢、产物合成、环境应激性、化合物相互转化等关键代谢表型，而具广谱适用、活体、无损、非标记、全景式表型、可分辨复杂功能、快速、低成本、能耦合下游测序、质谱或培养等优势，因此拉曼组是一种更接近于“功能”、更适合于临床、工业等场景的单细胞表型组。为了支撑人体、动植物和微生物拉曼组数据的自动化采集与分析，单细胞中心与星赛生物基于pDEP-DLD-RFC技术，推出了高通量流式拉曼分析/分选仪FlowRACS 3.0，将大大加速拉曼组平台的推广应用。

　　该工作由单细胞中心马波研究员和徐健研究员主持，与青岛星赛生物合作完成，得到了国家重点研发计划、国家自然科学基金委和山东省自然科学基金委的支持。（文/王喜先 图/刘阳）

　　原文链接：https://doi.org/10.1002/advs.202207497

　　Xixian Wang^#, Lihui Ren^#, Zhidian Diao^#, Yuehui He^#, Jiaping Zhang, Min Liu, Yuandong Li, Lijun Sun, Rongze Chen, Yuetong Ji, Jian Xu*, and Bo Ma*. Robust spontaneous Raman flow cytometry for single-cell metabolic phenome profiling via pDEP-DLD-RFC. Adv Sci (Weinh), 2023.