EPFL-forskare har avslöjat en metod som använder biologiska nanoporer och djupinlärning för att upptäcka proteinmodifieringar, vilket erbjuder nya vägar inom sjukdomsdiagnostik.
Proteiner, cellens arbetshästar, genomgår olika modifieringar efter deras syntes. Eftersom de på djupet kan påverka hur ett protein fungerar i cellen, är dessa "post-translationella modifieringar" eller PTM:er nyckeln i många biologiska processer.
PTM fungerar också som biomarkörer för flera sjukdomar, vilket gör att det är avgörande att vi kan upptäcka och analysera dem noggrant för att undvika felaktiga diagnoser. Men traditionella metoder är dock begränsade i känslighet och specificitet, särskilt när det gäller låga koncentrationer av proteiner och komplexa PTM-mönster.
Nu har forskare vid EPFL utvecklat en ny metod som kombinerar känsligheten hos biologiska nanoporer med precisionen av djupinlärning. Det innovativa tillvägagångssättet kan förändra hur vi upptäcker och analyserar PTM.
Studien leddes av bioingenjörsgrupperna Matteo Dal Peraro, Chan Cao och Hilal Lashuel vid EPFL:s School of Life Sciences och publiceras i ACS Nano .
Den nya metoden fokuserar på användningen av en biologisk nanopor, särskilt det porbildande toxinet aerolysin, för att detektera och särskilja peptider, byggstenarna i proteiner, med olika PTM. Dal Peraros grupp har tidigare arbetat med aerolysinbaserade nanoporer för att göra högupplösta sensorer av komplexa molekyler och till och med läsa data kodad till syntetiska makromolekyler. Denna nanoporteknologi är tillräckligt känslig för att detektera dessa peptider i picomolära koncentrationer, en betydande förbättring jämfört med befintliga tekniker.
Men hur fungerar metoden? När peptiderna passerar genom nanoporen orsakar de karakteristiska förändringar i jonflödet över nanoporen - den så kallade "jonströmmen". Varje typ av PTM förändrar peptidens struktur på ett unikt sätt, vilket leder till distinkta signaturer av strömmar; genom att registrera dessa förändringar i strömmen kan metoden identifiera och skilja mellan olika PTM på peptiderna.
Det som gör att detta tillvägagångssätt sticker ut ännu mer är att det sedan använder algoritmer för djupinlärning för att analysera komplexa data och exakt klassificera peptiderna baserat på deras PTM-mönster. Modellen kan med säkerhet identifiera de karakteristiska nuvarande signaturerna för peptider och deras PTM-varianter, vilket ger ett snabbt, automatiskt och mycket exakt sätt att klassificera dem.
För att testa tillvägagångssättet vände sig forskarna till Lashuels expertis, vars labb har banat väg för utvecklingen av syntetiska och kemiska biologiska metoder för att undersöka rollen av PTMs neurodegenerativa sjukdomar. "Vi visade att vi kan utnyttja vår nanopores avkänningskraft för att upptäcka och särskilja olika PTM-former av alfa-synuklein, en av de mest eftertraktade biomarkörerna och målen för att utveckla terapier för att behandla Parkinsons", säger Chan Cao, studiens ledande författare.
Forskarna visade framgångsrikt att nanoporemetoden kunde detektera och differentiera alfa-synukleinproteiner med enstaka eller flera PTM, såsom fosforylering, nitrering och oxidation. "Den här förmågan att identifiera flera modifieringar samtidigt är en gamechanger", säger Lashuel. "Det möjliggör en mer exakt kartläggning av PTM-koden för proteiner på enstaka molekylnivåer och kan därmed hjälpa till att avslöja nya insikter om det komplexa samspelet och dynamiken hos PTM:er i sjukdomsprocesser och deras potential som sjukdomsbiomarkörer."
Denna kombination av nanoporavkänning och avancerad dataanalys öppnar nya möjligheter för att förstå proteinmodifieringar på en detaljnivå som tidigare var ouppnåelig. Nanopore-teknologi kan inte bara användas för PTM-detektion utan även för upptäckt och diagnostik av biomarkörer.
"Vi gav ett första proof-of-princip att detta tillvägagångssätt kan användas för att detektera dessa biomarkörer i en efterlikning av ett kliniskt prov, vilket ger grund för att utveckla enmolekylära diagnostiska verktyg för Parkinsons sjukdom", säger Dal Peraro. Teamet föreställer sig att metoden kan utvecklas till en bärbar diagnostisk enhet, som erbjuder ett snabbt, kostnadseffektivt och mycket känsligt verktyg för medicinsk och kommersiell användning.
Mer information: Chan Cao et al, Deep Learning-Assisted Single-Molecule Detection of Protein Post-translational Modifications with a Biological Nanopore, ACS Nano (2023). DOI:10.1021/acsnano.3c08623
Journalinformation: ACS Nano
Tillhandahålls av Ecole Polytechnique Federale de Lausanne