细胞外囊泡（EVs）是各种类型的细胞分泌的小囊泡,通过大分子的转移来介导细胞间的通讯。细胞EVs携带多个反映其供体细胞起源的载物分子,因此被认为是用于早期诊断的可靠且非入侵性的生物标记。然而,EVs当中多种细胞来源的细胞外囊泡掩盖了由肿瘤或非肿瘤来源的细胞外囊泡信号。因此,识别EVs的细胞起源是诊断应用的前提。在本研究中,我们开发了一种智能概率系统,用于追踪通过单分子多色成像实现的单个EV的细胞起源。通过定量分析两种典型的蛋白质标志物CD9和CD63在单个EVs上的表达谱,可以准确、快速地识别临床样本中单个肿瘤和非肿瘤衍生的EV,细胞起源与表面蛋白之间的相关性还表明了单个EV的表型。该系统具有巨大的潜力,可以将EV作为可靠的临床指标进行开发并探索其生物学功能。本论文分为三个部分,具体如下:第一章绪论首先,本章介绍了EVs与肿瘤,包括EVs的产生途径、组成成分以及EVs在肿瘤诊断与治疗方面的应用。然后着重论述了EVs的分离表征以及全内反射荧光显微镜对EVs检测方面的应用。最后对本次论文的具体内容以及论文的研究意义进行了阐述。第二章构建单个EVs捕获界面以及单个EVs的荧光成像利用玻璃界面修饰的方法,将EVs特异性抗体CD81/Ep CAM固定在界面上,用于捕获EVs。EVs采用TEM、NTA以及WB对其形貌、浓度以及表面蛋白进行了表征。之后利用anti-CD9/Alexa Fluor 647和anti-CD63/Alexa Fluor 488荧光抗体标记EVs,通过在TIRF显微镜下观测不同通道的荧光,从而达到检测单个EVs表面蛋白的目的。实验发现,不同细胞分泌的EVs,EVs的荧光强度差异很大,表明不同细胞来源的EVs表达的CD9和CD63蛋白差异性很大。该构建平台实现了对单个EVs的荧光成像,结果表明,相较于CD81捕获EVs,使用Ep CAM捕获EVs的效果更好。第三章利用机器学习算法对血浆样本肿瘤EVs溯源本章基于两种荧光抗体的共定位图片,提取荧光强度,对不同来源的EVs的荧光强度统计分析,以获得不同来源的EVs荧光强度编码,并对采集数据的来源和获得条件进行标注和分类。利用机器学习算法（KNN和SVM）提取不同来源EVs的特征,以此为依据追溯EVs的来源。其原理在于,不同细胞分泌的EVs,其表面蛋白表达的量不一致,导致其荧光强度不同。基于此,我们已成功利用单分子荧光强度分布追溯EVs的来源。该方法已成功用于临床样品血浆的检测,能区分出EVs是来源于癌细胞血浆中,还是正常血浆。