Nanoporer og dyb læring hjælper med sygdomsdiagnostik

EPFL-forskere har afsløret en metode, der bruger biologiske nanoporer og dyb læring til at detektere proteinmodifikationer, hvilket tilbyder nye veje inden for sygdomsdiagnostik.

Proteiner, cellens arbejdsheste, gennemgår forskellige modifikationer efter deres syntese. Fordi de i høj grad kan påvirke, hvordan et protein fungerer i cellen, er disse "post-translationelle modifikationer" eller PTM'er nøglen i adskillige biologiske processer.

PTM'er fungerer også som biomarkører for flere sygdomme, hvilket betyder, at det er afgørende, at vi kan opdage og analysere dem præcist for at undgå fejldiagnoser. Men traditionelle metoder er dog begrænset i sensitivitet og specificitet, især når det drejer sig om lave koncentrationer af proteiner og komplekse PTM-mønstre.

Nu har forskere ved EPFL udviklet en ny metode, der kombinerer følsomheden af ​​biologiske nanoporer med præcisionen af ​​dyb læring. Den innovative tilgang kan transformere, hvordan vi opdager og analyserer PTM'er.

Undersøgelsen blev ledet af bioingeniørgrupperne af Matteo Dal Peraro, Chan Cao og Hilal Lashuel ved EPFL's School of Life Sciences og er udgivet i ACS Nano .

Den nye metode fokuserer på brugen af ​​en biologisk nanopore, specifikt det poredannende toksin aerolysin, til at påvise og skelne mellem peptider, byggestenene i proteiner, med forskellige PTM'er. Dal Peraros gruppe har tidligere arbejdet med aerolysin-baserede nanoporer for at lave højopløselige sensorer af komplekse molekyler og endda læse data indkodet i syntetiske makromolekyler. Denne nanopore-teknologi er følsom nok til at detektere disse peptider ved picomolære koncentrationer, en væsentlig forbedring i forhold til eksisterende teknikker.

Men hvordan fungerer metoden? Når peptiderne passerer gennem nanoporen, forårsager de karakteristiske ændringer i ionstrømmen over nanoporen - den såkaldte "ioniske strøm." Hver type PTM ændrer peptidets struktur på en unik måde, hvilket fører til distinkte signaturer af strømme; ved at registrere disse ændringer i strøm, kan metoden identificere og differentiere mellem forskellige PTM'er på peptiderne.

Det, der får denne tilgang til at skille sig ud endnu mere, er, at den derefter bruger deep-learning-algoritmer til at analysere de komplekse data og præcist klassificere peptiderne baseret på deres PTM-mønstre. Modellen kan med sikkerhed identificere de karakteristiske nuværende signaturer af peptider og deres PTM-varianter, hvilket giver en hurtig, automatisk og meget nøjagtig måde at klassificere dem på.

For at teste tilgangen henvendte forskerne sig til Lashuels ekspertise, hvis laboratorium har været banebrydende i udviklingen af ​​syntetiske og kemiske biologiske tilgange til at undersøge rollen af ​​PTMs neurodegenerative sygdomme. "Vi demonstrerede, at vi kan udnytte sansekraften i vores nanopore til at opdage og skelne forskellige PTM-former af alfa-synuclein, en af ​​de mest eftertragtede biomarkører og mål for udvikling af terapier til behandling af Parkinsons," siger Chan Cao, studiets førende forfatter.

Forskerne viste med succes, at nanopore-metoden kunne detektere og differentiere alfa-synuclein-proteiner med enkelte eller flere PTM'er, såsom fosforylering, nitrering og oxidation. "Denne evne til at identificere flere modifikationer samtidigt er en game-changer," siger Lashuel. "Det giver mulighed for mere præcis kortlægning af PTM-koden for proteiner på enkeltmolekyleniveauer og kan således hjælpe med at afdække ny indsigt i det komplekse samspil og dynamikken af ​​PTM'er i sygdomsprocesser og deres potentiale som sygdomsbiomarkører."

Denne kombination af nanopore-sensing og avanceret dataanalyse åbner nye muligheder for at forstå proteinmodifikationer på et detaljeringsniveau, som tidligere var uopnåeligt. Nanopore-teknologi kan ikke kun bruges til PTM-detektion, men også til opdagelse og diagnostik af biomarkører.

"Vi gav et første proof-of-princip, at denne tilgang kan bruges til at detektere disse biomarkører i en efterligning af en klinisk prøve, hvilket giver grundlag for at udvikle enkeltmolekyle diagnostiske værktøjer til Parkinsons sygdom," siger Dal Peraro. Teamet forestiller sig, at metoden kan udvikles til en bærbar diagnostisk enhed, der tilbyder et hurtigt, omkostningseffektivt og yderst følsomt værktøj til medicinsk og kommerciel brug.

Flere oplysninger: Chan Cao et al., Deep Learning-Assisted Single-Molecule Detection of Protein Post-translationelle modifikationer med en biologisk nanopore, ACS Nano (2023). DOI:10.1021/acsnano.3c08623

Journaloplysninger: ACS Nano

Leveret af Ecole Polytechnique Federale de Lausanne