Utafiti huu unalinganisha kwa upana mbinu zinazoweza kutumiwa kuchanganua mate ya binadamu nje ya cavity ya mdomo ili kubaini virusi, bakteria, biomarker za saratani na za magonjwa yasiyo ya saratani. Teknolojia zilizochunguzwa ni pamoja na polymerase chain reaction (PCR), loop-mediated isothermal amplification (LAMP), mass spectrometry, ELISA na mbinu nyingine za immunoassay, sensorer za electrochemical, Raman na mifumo inayotegemea surface-enhanced Raman scattering (SERS). Tathmini za kulinganisha katika utafiti zinaonyesha kwamba katika analytical performance, lower limit of detection pekee haitoshi; kwa matumizi ya kliniki, sensitivity, specificity, AUC, reproducibility, sample matrix, gharama, portability na standardization lazima zitathminiwe kwa pamoja.

Katika review hii, cortisol imetumiwa kama model biomarker ili kulinganisha detection limits za mbinu tofauti za analytical kwa kutumia analiti moja ya pamoja. Muhtasari wa chanzo unaripoti geometric mean detection limit ya 11 pM kwa electrochemical platforms, takribani 6 pM kwa mbinu za voltammetric, 39,1 pM kwa mbinu zinazotegemea immunoassay na 171 pM kwa mbinu zinazotegemea mass spectrometry. Hata hivyo, thamani hizi hazimaanishi kwamba biomarker zote za mate au hali zote za kliniki zina mpangilio uleule wa performance; review yenyewe inasisitiza kwamba aina ya biomarker, sifa za sampuli na mbinu ya takwimu inayotumiwa zinaweza kubadilisha matokeo kwa kiasi kikubwa.

Katika Table 12, ambako tafiti za kliniki za biomarker za saratani na zisizo za saratani zimelinganishwa, balanced accuracy imehesabiwa kuwa %87,4 kwa Direct SERS, %86,6 kwa kundi la SERS na Raman, %86,2 kwa ELISA, %84,3 kwa PCR na %83,2 kwa mass spectrometry. Hata hivyo, Direct SERS ni subcategory inayopishana kimawazo na kundi la SERS/Raman; kwa hiyo thamani hizi hazipaswi kutafsiriwa kama mashindano ya moja kwa moja kati ya clinical trials huru zilizofanywa kwa protocol moja.

Kwa nini mate?

Mate ni biological fluid changamano yenye viambajengo vingi tofauti vya kibiolojia, ikiwa ni pamoja na antibodies, enzymes, hormones, proteins, nucleic acids, metabolites na microorganisms. Hoja ya kuanzia ya review ni kwamba utofauti huu wa molekuli unaweza kuruhusu analiti zinazohusiana na magonjwa au maambukizi kuchunguzwa bila njia vamizi.

Ikilinganishwa na damu au tissue biopsy, kukusanya sampuli ya mate ni rahisi zaidi na kunaweza kutoa faida muhimu za kiutendaji, hasa katika hali ambapo sampling inahitaji kurudiwa. Utafiti pia unaeleza kwamba katika baadhi ya mazingira ya magonjwa ya kuambukiza, uwezo wa mgonjwa kujikusanyia sampuli ya mate unaweza kupunguza hitaji la wafanyakazi na mawasiliano ya karibu. Hata hivyo, mate si nakala rahisi ya damu. Uhusiano kati ya viwango vya biomarker fulani katika damu na mate unaweza kutofautiana kutoka biomarker moja hadi nyingine.

Analytical performance si sawa na clinical performance

Mojawapo ya michango muhimu ya review ni kufanya tofauti kati ya kiwango cha chini ambacho sensor au test inaweza kupima na uwezo wake wa kutofautisha wagonjwa halisi ionekane wazi. Katika analytical studies, kipimo kikuu cha kulinganisha ni detection limit, yaani limit of detection (LOD), ilhali katika clinical studies sensitivity, specificity na area under the ROC curve (AUC) huwa muhimu zaidi.

LOD ya chini sana ni faida, hasa katika kugundua targets zenye concentration ndogo; lakini peke yake haitoi dhamana ya mafanikio ya clinical diagnosis. Matrix changamano ya mate, non-specific binding, fouling kwenye sensor surface, antibody stability, nanoparticle aggregation, uhusiano wa biomarker na ugonjwa, pamoja na statistical classification method inayotumiwa, vinaweza kubadilisha performance halisi.

Kutambua virusi na bakteria kutoka kwenye mate

Utafiti unachunguza kundi pana la teknolojia za kugundua virusi na bakteria kutoka kwenye mate, kuanzia nucleic-acid amplification methods kama PCR na LAMP hadi electrochemical sensors, chemiluminescence systems na SERS-based platforms. Kwa sababu LOD za tafiti hizi zimeripotiwa kwa units tofauti kama CFU/mL, PFU/mL, copy number, cell/mL na mass concentration, waandishi hawakuhesabu common average LOD kwa kundi lote. Uamuzi huu ni muhimu; kubadilisha physical quantities tofauti kuwa namba moja kungeweza kuunda ranking ya mbinu inayopotosha.

Mifano ya kuona katika review inaonyesha kwamba saliva diagnostics si suala la classical laboratory tubes pekee. Katika matumizi ya RT-LAMP kwa Zika virus, microfluidic cartridges, portable chemically heated setups, smartphone fluorescence readout na mifumo inayounganisha sample-preparation steps ndani ya platform moja imechunguzwa. Katika sehemu ya SERS, immunoassay-based detection ya SARS-CoV-2 proteins, gold nanostars, microfluidic SERS systems na lateral-flow/SERS combinations kwa Group A streptococcus zinaonyeshwa.

Mass spectrometry inatoa nini?

Mass spectrometry ni familia yenye nguvu ya mbinu inayoruhusu proteins na metabolites katika mate kutambuliwa kwa high analytical selectivity. Review inajadili liquid chromatography-mass spectrometry, MALDI na MALDI-TOF approaches katika saratani, neurodegenerative diseases na matumizi mengine ya biomarkers.

Nguvu muhimu ya mbinu hizi ni uwezo wa kuchambua kwa kina structural au mass properties za idadi kubwa ya molecules. Kwa upande mwingine, gharama ya vifaa, laboratory infrastructure, mahitaji ya sample preparation na specialist personnel vinaweka mass spectrometry katika nafasi tofauti na portable routine testing platforms.

ELISA na mbinu nyingine za immunoassay

ELISA ni mojawapo ya antigen-antibody methods zilizotumiwa kwa muda mrefu katika saliva biomarker research. Utafiti unachunguza classical ELISA pamoja na nanoparticle-based signal amplification, lateral-flow formats na architectures tofauti za immunoassay.

Chanzo kinataja analysis times zinazoweza kufikia 4–12 saa kwa classical 96-well ELISA, matumizi ya sample na reagents, kupotea kwa activity ya enzyme labels katika mazingira fulani, na uwezekano wa partial antibody denaturation kuongeza non-specific binding kama mapungufu makuu. Ingawa nanostructures zinaweza kusaidia signal amplification, new surface chemistry na matumizi ya nanoparticles yanaweza kuleta mahitaji mapya ya udhibiti kama aggregation na reproducibility.

Eneo ambalo electrochemical sensors zinaonekana kuwa muhimu

Electrochemical biosensors katika review zimechunguzwa chini ya voltammetry, electrochemical impedance spectroscopy (EIS), amperometry na electrical readout approaches nyingine. Table 5, inayokusanya analytical studies za saliva biomarkers za saratani na zisizo za saratani, ina tafiti 38: 14 voltammetry, 14 EIS, 8 amperometry na 2 zimeainishwa kama electrochemical methods nyingine.

Katika kundi la EIS, geometric mean LOD imeripotiwa kuwa 1,96 × 10⁻¹⁴ M na median LOD kuwa 2,35 × 10⁻¹⁵ M. Thamani hizi ni mojawapo ya sababu review inatoa uzito maalum kwa electrochemical platforms kwa upande wa analytical sensitivity. Hata hivyo, analytical sensor sensitivity si sawa na clinical diagnostic performance; electrode surface, biological matrix effects, non-specific adsorption na inter-device standardization vinahitaji kushughulikiwa kando katika matumizi halisi.

Kwa nini cortisol ililinganishwa mahsusi?

Ili kupunguza tatizo la kulinganisha moja kwa moja biomarker tofauti sana, waandishi walitumia cortisol kama common model analyte. Muhtasari wa chanzo unaripoti geometric mean LOD ya takribani 11 pM kwa electrochemical methods, 39,1 pM kwa immunoassay methods na 171 pM kwa mass-spectrometry methods. Ndani ya electrochemical subgroups, geometric mean LOD ya takribani 6 pM imeripotiwa kwa voltammetry.

Maana ya comparison hii si kwamba “electrochemistry ni bora kuliko mbinu zote nyingine katika applications zote za diagnostic”. Cortisol ni model iliyochaguliwa ili kutathmini mbinu katika analytical ground iliyo ya pamoja zaidi. Molecular properties, physiological concentrations na disease associations za biomarkers tofauti hubadilika.

SERS na Raman spectroscopy

Raman spectroscopy hupata chemical information kutoka vibrational properties za molecules; lakini natural Raman scattering hutoa signal dhaifu. Surface-enhanced Raman scattering inalenga kuongeza Raman signal kwa kiasi kikubwa kupitia electromagnetic enhancement karibu na metal nanostructures.

Review inachunguza antibody-based SERS formats pamoja na approaches zinazofanya classification moja kwa moja kutoka biological sample spectra. Mojawapo ya vipengele muhimu vya Direct SERS ni kwamba katika baadhi ya designs inaweza kutumia molecular spectral signatures bila kuhitaji antibodies. Hili lina potential ya kupunguza matatizo kama antibody lot variability, cold-chain requirements na stability.

Hata hivyo, utafiti unasisitiza kwamba standardization bado ni tatizo muhimu katika clinical applications za SERS. Idadi ya measurement points, laser wavelength, laser power, exposure time, nanoparticle properties na uncontrolled aggregation vinaweza kubadilisha matokeo kati ya laboratories. Kwa hiyo strong AUC values hazipaswi kutafsiriwa moja kwa moja kama ushahidi wa routine clinical readiness.

Kulinganisha mbinu za kliniki

Table 12, inayofupisha clinical studies zinazohusisha cancer na non-cancer biomarkers, inalinganisha methods kwa mean sensitivity, specificity, median values, AUC na balanced accuracy. Kulingana na jedwali, Direct SERS ina balanced accuracy ya juu zaidi kwa %87,4. SERS na Raman group imeripotiwa %86,6, ELISA %86,2, PCR %84,3 na mass spectrometry %83,2.

Katika Table 12, mean sensitivity ya Direct SERS ni %84,1 na mean specificity %90,7; kwa SERS na Raman group ni %83,6 na %89,6, mtawalia; kwa ELISA %88,3 na %84,1; kwa PCR %84,9 na %83,8; na kwa mass spectrometry %78,8 na %87,5. Mean AUC ya Direct SERS ni 0,96. Katika jedwali hilo hilo, AUC ni 0,94 kwa SERS na Raman, 0,89 kwa ELISA, na 0,84 kwa PCR na mass spectrometry.

Comparison hii ina methodological limitation muhimu: utafiti haukutumia sample sizes kama weights wakati wa kuhesabu mean clinical sensitivity na specificity. Pia, studies zenye washiriki chini ya 40 au zilizoripoti sensitivity/specificity kama range badala ya single value ziliondolewa katika baadhi ya average calculations. Kutumia diseases, biomarkers na statistical classifiers tofauti katika studies tofauti pia kunazuia conclusion kwamba tofauti kati ya methods zinatokana tu na device technology.

Hata statistical model inaweza kubadilisha clinical outcome

Sehemu ya “Challenges and Outlook” ya review inaeleza kwamba biological data ileile inaweza kuonyesha clinical performance tofauti kwa statistical analyses tofauti. Katika mojawapo ya mifano, combination ya genetic algorithm na linear discriminant analysis (GA-LDA) kwa kutofautisha bladder cancer ilitoa %90,9 sensitivity na %100 specificity, wakati principal component analysis (PCA) katika comparison hiyo hiyo ilitoa %74,6 sensitivity na %97,2 specificity.

Biomarker yenyewe pia ni muhimu angalau kama measurement platform. Review inaangazia tafiti ambazo kwa qPCR approach ileile katika pancreatic cancer ziliripoti %96 sensitivity kwa gene-based detection na %71 kwa mRNA-based detection. Kwa hiyo swali “ni kifaa gani bora?” halitoshi peke yake; pia lazima yajibiwe maswali “ni biomarker gani, ugonjwa gani, kundi gani la wagonjwa, na ilipimwa kwa analysis method gani?”

Ina maana gani kwa Türkiye?

Utafiti wa chanzo hautoi patient data, healthcare-system cost au analysis ya national diagnostic infrastructure maalum kwa Türkiye. Kwa hiyo review haiwezi kutoa direct clinical superiority au cost-effectiveness conclusion kwa Türkiye. Hata hivyo, general technical framework inayotolewa na utafiti inaonyesha kwamba maeneo kama non-invasive sampling, portable electrochemical systems, rapid molecular tests na, ikiwa yataweza kustandardishwa, SERS-based platforms yanaweza kuchunguzwa kupitia local clinical validation studies.

Matokeo yanayoungwa mkono na utafiti

• Mate ni biological fluid changamano na rahisi kukusanya ambamo targets mbalimbali kama virusi, bakteria, proteins, nucleic acids, hormones na metabolites zinaweza kuchunguzwa.
• PCR, LAMP, ELISA, mass spectrometry, electrochemical methods na SERS/Raman platforms zina advantages na limitations tofauti katika saliva analysis.
• Analytical LOD na clinical sensitivity, specificity pamoja na AUC ni dimensions tofauti za performance.
• Katika comparison iliyotumia cortisol kama common analyte, electrochemical methods zilionyesha LOD values katika low-picomolar range.
• Katika clinical studies zilizojumuishwa katika Table 12, Direct SERS, SERS/Raman na ELISA zilionyesha high balanced accuracy values.
• Portability, sensitivity na multiplexing potential ya electrochemical na SERS-based platforms ni ya kuvutia; lakini matrix effects, stability na standardization challenges bado zipo.

Matokeo ambayo utafiti hauungi mkono

• Review haionyeshi kwamba saliva test moja inaweza kuchukua nafasi ya matumizi yote ya blood au tissue biopsy.
• Kuwa na low LOD hakuthibitishi kwamba method hiyo moja kwa moja ina highest clinical diagnostic accuracy.
• High AUC na balanced accuracy ya Direct SERS katika table haimaanishi kwamba method hiyo tayari iko standardized na tayari kwa routine use katika hospitali zote leo.
• Review haikufanya prospective clinical validation katika new patient cohort.
• Matokeo kutoka diseases, biomarkers na sample sizes tofauti hayawezi kutafsiriwa kama universal ranking moja ya methods.
• Utafiti hautoi direct data kuhusu clinical use, cost-effectiveness au regulatory suitability nchini Türkiye.

Mbinu na Matokeo ya Utafiti

Muundo wa review

Utafiti unaunganisha kwa panorama seti pana ya publications zinazohusu detection ya biomarkers na pathogens katika mate. Kwa analytical studies, performance metrics zilizokusanywa ni hasa LOD, analytical range, recovery, relative standard deviation na analysis time; kwa clinical studies, sensitivity, specificity na AUC zilikusanywa.

Muhtasari unasema kwamba LOD values kutoka analytical papers 149 na sensitivity, specificity na katika baadhi ya cases AUC kutoka clinical studies 118 ziliwekwa kwenye tables. Hata hivyo, katika sehemu zinazofuata za makala, numbers za clinical studies zimeripotiwa kwa namna tofauti kwa subsets na calculations tofauti. Kwa hiyo namba 118 haipaswi kutafsiriwa kama single, non-duplicated final clinical sample count kwa tables zote.

Virusi na bakteria

Sehemu ya virusi na bakteria inachunguza PCR, LAMP, electrochemical, SERS, chemiluminescence na platforms nyingine kwa analytical na clinical perspectives. Kwa sababu analytes na measurement units zinatofautiana sana, common average LOD haikutolewa kwa kundi zima. Uamuzi huu wa methodology unaepuka kulazimisha PFU/mL, CFU/mL au molecular copy number kwenye scale moja kwa njia bandia.

Figures za utafiti zinaonyesha kwamba molecular-amplification tests zinaweza kuunganishwa na microfluidic systems na mobile readout devices; katika SERS platforms, metal nanostructures zinaweza kutumiwa kwa signal enhancement. Hata hivyo, mifano hii inatoka kwa research teams tofauti juu ya targets tofauti na si single standardized clinical trial series.

Biomarker za saratani na zisizo za saratani

Katika sehemu ya mass spectrometry, proteomic na metabolomic targets zimejadiliwa; katika immunoassay section, ELISA na derivatives zake; katika electrochemical section, voltammetry, EIS na amperometry; na katika optical section, approaches nyingi, hasa SERS na Raman, zimelinganishwa.

Ingawa analytical LOD values za electrochemical studies zinafikia viwango vya chini sana katika mifano mingi, average ya electrochemical clinical studies zilizowekwa chini ya “other methods” katika clinical Table 12 haionekani kuwa superior kwa kiwango sawa. Tofauti hii ni moja ya lessons muhimu zaidi za makala kwamba analytical sensor performance haibadiliki moja kwa moja kuwa clinical classification performance.

Comparison ya cortisol

Katika analytical comparison kwa cortisol, chanzo kinaripoti geometric mean LOD ya takribani 11 pM kwa electrochemical methods. Geometric mean LOD ya voltammetry subgroup ni takribani 6,25 × 10⁻¹² M. Kwa electrochemical impedance spectroscopy, Table 7 inaripoti geometric mean ya 2,10 × 10⁻¹¹ M na median ya 4,41 × 10⁻¹¹ M. Katika muhtasari wa chanzo, geometric mean LOD values za mass spectrometry na immunoassay groups ni 171 pM na 39,1 pM, mtawalia.

Data hizi zinatoa comparison muhimu ya analytical sensitivity, lakini review inaonyesha wazi kwamba measurement technology si determinant pekee. Kwa target molecules tofauti na cortisol, antibody affinity, molecular size, matrix concentration, surface chemistry na preprocessing requirements zinaweza kutofautiana.

Clinical results za Table 12

Table 12 ni muhtasari wa studies za cancer na non-cancer biomarkers pekee; haijumuishi virus na bacteria studies. Pia, kwa sababu row ya Direct SERS inapishana na broader SERS/Raman group, rows hazipaswi kutathminiwa kama completely independent research sets.

Mapungufu

Waandishi wanaeleza kwamba sample sizes za clinical studies zilikuwa heterogeneous na hakuna weighting kwa sample size iliyotumiwa wakati wa kuhesabu mean sensitivity/specificity. Kutumiwa kwa PCA, LDA, GA-LDA, non-parametric tests na multivariate analyses nyingine katika studies tofauti pia kunaweza kuchangia performance differences zinazoonekana kati ya methods.

Review pia inakubali kwamba biomarker selection inaweza kuathiri comparisons kwa kiasi kikubwa. Kwa hiyo, utafiti si meta-analysis katika maana ya kawaida inayokokotoa single common effect size. Ni broad comparative review inayokusanya reported performance values kutoka analytical na clinical studies nyingi.

Pia kuna numerical na editorial inconsistencies ndani ya chanzo. Total numbers za clinical studies zimetolewa tofauti katika sehemu tofauti; idadi ya publications katika cortisol analysis imetajwa kwa namna mbili kama 28 na 29. Baadhi ya AUC statements katika abstract na conclusion hazilingani kikamilifu na AUC values katika Table 12. Zaidi ya hayo, verbal comparison ya RSD values za electrochemical na mass-spectrometry methods hailingani kihisabati na namba %9 na %2,5 zilizo katika sentence hiyo hiyo. Kwa hiyo, katika makala hii direct table-cell values zimepewa kipaumbele kwa precise quantitative comparisons.

Maelezo ya Chanzo na Mbinu

Utafiti wa chanzo: Dyussupova, A.; Ilyas, A.; Boranova, A.; Shevchenko, Y.; Terzapulo, X.; Seitkali, A.; Gaipov, A.; Filchakova, O.; Bukasov, R. “Extraoral Detection of Biomarkers and Pathogens in Saliva: Comprehensive, Panoramic Review.” Biosensors, 2026, 16(6), 345.

DOI:10.3390/bios16060345

Aina ya publication na peer-review status: Utafiti ni comprehensive review iliyochapishwa katika Biosensors; si preprint. Makala ilipokelewa 14 Aprili 2026, ikarekebishwa 26 Mei 2026, ikakubaliwa 2 Juni 2026 na kuchapishwa 19 Juni 2026.

Leseni: Makala imechapishwa open access chini ya Creative Commons Attribution (CC BY).

Ufadhili: Utafiti uliungwa mkono chini ya Nazarbayev University Collaborative Research Program 2024–2026 kwa reference number 211123CPR1603.

Hali ya data: Waandishi wanaripoti kwamba hakuna experimental data mpya iliyozalishwa katika review hii. Quantitative evaluations katika makala zinatokana na kukusanya na kulinganisha analytical na clinical performance metrics zilizoripotiwa katika publications zilizochunguzwa.

Methodological boundary: Utafiti huu hauwasilishi new patient cohort, randomized clinical trial au prospective diagnostic study. Matokeo ni comparative synthesis ya publications zilizotumia diseases, biomarkers, sample sizes na statistical analyses tofauti. Kwa hiyo tables zinatoa muhtasari wa reported literature performance ya methods; si head-to-head clinical comparison iliyofanywa chini ya single common protocol.

Source-internal inconsistency note: Katika sehemu tofauti za makala kuna inconsistent statements kuhusu total clinical-study counts, cortisol analytical-study counts, baadhi ya AUC values na comparison ya RSD. Katika maudhui haya inconsistencies hizo hazijasahihishwa kimya kimya; kwa precise quantitative comparisons, direct values kutoka source tables zimetumiwa pale inapowezekana.

Chanzo cha data cha Verianla Live: Balanced accuracy values katika interactive bar display zimetolewa pekee kutoka published values katika Table 12 ya utafiti. Hakuna intermediate value, estimated data au interpolation iliyozalishwa kwa graph. Visible HTML table imehifadhiwa kama scientific source of truth; visualization imeachwa kwa site-level Verianla Live v0.2 engine.