为了消除细胞外囊泡分析中的杂质，重复的分离是必不可少的

与传统检测方法一样，必须对候选的基于 EV 的诊断测试进行系统和严格的评估，以确保它们适合临床应用。这是通过测量精度、线性和分析灵敏度等分析性能特征来实现的。

在基于 EV 的生物标志物达到这个严格评估阶段之前，可以在更概念的层面上考虑其潜力：通过考虑“信号到-杂质比’。在这里，我们讨论了在 EV 生物标志物开发中通过信噪比观察的价值，并探讨如何利用它来生产 qEV 隔离平台。

信噪比作为指导“大局”概念

信噪比可以定义为所需信息与与各种不需要的信号相关的背景噪声之间的比率。虽然它用于检查物理测量的有效性，但该原理也可用于在分析之前指导协议。换句话说，测量的质量不仅取决于所讨论的分析方法，还取决于尽量减少与分析前变量相关的变异源——包括 EV 隔离。

尽管很难（甚至不可能）准确量化整个 EV 样本收集、隔离、存储和分析工作流程（其中有 100 多个变量 3）的信噪比，但这一概念同样重要。实施降低噪声从而最大化信噪比的实践对于获得有意义的测量结果至关重要。

细胞外囊泡研究人员和仪器制造商的信噪比注意事项

总的来说，在分析之前和分析期间，有许多变异来源会影响基于细胞外囊泡（ EV ）的生物标志物测试的性能。“缩小”并查看全局可以帮助评估测量的意义，还可以使研究人员确定进一步的机会以最小化噪声并随后最大化相关信号。为此，研究人员在寻找基于 EV 的生物标志物时可以提出以下问题：

• 此 EV 隔离工作流程中的噪声源是什么？
• 这种分离/分析方法的重现性如何？
• 这种 EV 分析方法中的噪声源是什么？
• 这种分析方法依赖于哪些假设，这些假设如何影响测量精度？
• 我可以控制哪些因素来最大限度地减少噪音并最大限度地提高重现性？例如，仪器的选择、研究设计、样本收集和存储协议。
• 这种信噪比水平在临床环境中是否可以接受？
• 使用重现性低的分离方法有哪些潜在影响？

同样，在开发用于 EV 分离和分析的仪器时，考虑信噪比也很有用。与研究人员一样，仪器制造商可以帮助最大限度地提高最终信噪比，从而帮助增加开发可靠且临床有用的基于 EV 的生物标志物的机会。这些仪器的开发者可以问自己：

• 该仪器的潜在噪声源是什么？
• 我们如何在设计和制造的每个阶段降低噪声以降低噪声，从而为EV研究人员提供获得更有意义和可重复信号的最佳机会？

qEV 平台：可重现的 EV 分离对于最小化噪声至关重要

虽然我们的 qEV 隔离平台被许多参与基于 EV 的生物标志物发现的研究小组使用，但 qEV 隔离平台也被着眼于临床诊断应用的开发人员使用。由于临床应用是最终目标，因此我们在开发 EV 隔离和分析解决方案时始终将信噪比概念放在首位。

研究人员已将 EV 与其他组件分离的方法建立在自动化、易用性和尺寸排阻色谱的基础之上。自动馏分收集器 (AFC) 和兼容 AFC 的尺寸排阻色谱 qEV 色谱柱共同构成了一个平台，可提供快速和可重复的 EV 分离。不仅通过最大限度地去除污染物，而且通过最大限度地提高整个过程的一致性来降低噪音。总体而言，qEV 隔离的可重复性大大有助于降低分析过程中的噪音，因为每个样品都以高度一致的方式隔离。

自动化实现的可重复性和精度：AFC 引入了一定程度的自动化，可最大限度地减少人工处理作为错误来源。虽然手动 SEC 收集技术依赖于用户手动收集体积并在正确的时刻更换收集管，但 AFC 确保每次都以相同的方式分离样品。这是通过根据重量测量空隙和样品收集来实现的。此外，内置的旋转转盘可固定收集管，并在达到设定的体积时自动前进到下一个部分。

易于使用：AFC 使用简单，可以轻松获得定义的分数，并且可以同时运行多个 AFC。通过用户友好的设置菜单减少了手动错误的可能性，该菜单允许在点击“开始”之前轻松检查关键参数。一旦通过集成触摸屏启动隔离，用户就可以自由离开。易用性通过最大限度地减少人为错误的可能性来帮助降低噪音。

最大化分离：通过尺寸排阻色谱，通过内置的琼脂糖珠技术，在 qEV 柱上实现 EV 与蛋白质和其他成分的分离。这种方法允许用户始终如一地选择相对于蛋白质含量具有最大比例的 EV 的分数。选择适合样品体积的色谱柱尺寸可进一步优化分离并将样品稀释程度降至最低。

智能色谱柱管理：qEV 色谱柱使用 RFID 芯片进行标记，存储有关使用次数的关键信息。这有助于可追溯性并确保色谱柱不会被过度使用。

EV 隔离可以“成败”基于 EV 的诊断

从血浆、细胞培养物和其他样品类型中可重现地分离 EV 对开发基于 EV 的生物标志物至关重要。所有与 EV 相关的隔离协议和分析方法都会有一些固有的噪声水平；但是，由于测量所基于的假设，有些会比其他的嘈杂。在生物标志物发现的早期阶段——以及在治疗领域——接受的噪音水平通常超过了在验证或应用的后期阶段适合的水平。

退后一步，着眼大局，有助于指导符合 EV 生物标志物开发目标的决策。通过放大这个更广阔的视角，很容易看出选择可重现和可扩展的工具是最大限度地减少整个 EV 隔离分析工作流程中的噪音的一种方法，从而放大下游分析中的信号。

另一方面，放大机会以最大限度地减少错误是难题的另一个重要部分——对研究人员和仪器制造商来说都是如此。专注于最小化噪声的方法导致了 qEV 隔离平台的精确隔离，这正在促进临床应用的有意义的进步。

1. Ayers L, Pink R, Carter DRF, Nieuwland R. Clinical requirements for extracellular vesicle assays. Journal of Extracellular Vesicles. 2019;8(1):1593755. doi:10.1080/20013078.2019.1593755
2. Chuo ST-Y, Chien JC-Y, Lai CP-K. Imaging extracellular vesicles: current and emerging methods. Journal of Biomedical Science. 2018;25(1). doi:10.1186/s12929-018-0494-5
3. Van Deun J, Mestdagh P, Agostinis P, et al. EV-TRACK: transparent reporting and centralizing knowledge in extracellular vesicle research. Nature Methods. 2017;14(3):228-232. doi:10.1038/nmeth.4185