Discriminación directa de biomoléculas en muestras mixtas usando nanogap

Oct 21, 2023

Scientific Reports volumen 13, Número de artículo: 9103 (2023) Citar este artículo

Detalles de métricas

En las mediciones de una sola molécula, los electrodos metálicos nanogap miden directamente la corriente de una sola molécula. Esta técnica se ha investigado activamente como un nuevo método de detección para una variedad de muestras. El aprendizaje automático se ha aplicado para analizar señales derivadas de moléculas individuales para mejorar la precisión de la identificación. Sin embargo, los métodos de identificación convencionales tienen inconvenientes, como el requisito de medir datos para cada molécula objetivo y la variación de la estructura electrónica del electrodo nanogap. En este estudio, informamos una técnica para identificar moléculas basadas en datos de medición de una sola molécula medidos solo en soluciones de muestras mixtas. En comparación con los métodos convencionales que requieren clasificadores de entrenamiento sobre datos de medición de muestras individuales, nuestro método propuesto predice con éxito la relación de mezcla a partir de los datos de medición en soluciones mixtas. Esto demuestra la posibilidad de identificar moléculas individuales utilizando solo datos de soluciones mixtas, sin entrenamiento previo. Se anticipa que este método será particularmente útil para el análisis de muestras biológicas en las que los métodos de separación química no son aplicables, lo que aumenta el potencial de que las mediciones de una sola molécula se adopten ampliamente como técnica analítica.

La medición directa de muestras complejas ofrece ventajas como el ahorro de tiempo y dinero al minimizar los pasos de preparación de muestras y la pérdida de muestras, al mismo tiempo que permite la detección de una amplia gama de moléculas. La medición de una sola molécula está atrayendo la atención como un nuevo método de medición de cuantificación/detección molecular porque en este método, una molécula entre nanoelectrodos se mide directamente1,2,3. En el método de ruptura de uniones4,5,6,7, un método de medición eléctrica de una sola molécula, se forma un nanogap de metal al romper y formar uniones repetidamente. Una sola molécula se detecta midiendo la corriente de efecto túnel que se produce cuando una molécula pasa a través del nanogap. Las mediciones de una sola molécula se están investigando activamente para el desarrollo de dispositivos moleculares2,8,9,10,11,12,13. Desde que el grupo de Di Ventra propuso teóricamente el potencial para la secuenciación de ADN y ARN, las mediciones de una sola molécula han recibido una atención significativa como método analítico debido a su alto rendimiento, bajo límite de detección y la capacidad de realizar mediciones sin pasos de preprocesamiento3,14,15 . Hasta la fecha, nuestro grupo ha publicado medidas de conductancia de nucleobases de ADN y ARN y ha demostrado la aplicabilidad de las medidas de una sola molécula como método analítico16,17,18. Las moléculas objetivo no se limitan a ADN y ARN, y pueden extenderse a varias moléculas como aminoácidos19,20, péptidos21,22, proteínas23,24,25, neurotransmisores26, glucosa27 y NADH28. Además, los objetivos de medición no se limitan a las biomoléculas. Se espera que las mediciones de una sola molécula tengan una amplia gama de aplicaciones; por ejemplo, el potencial de detección de explosivos29. Aunque la conductancia de diferentes moléculas se puede medir con mediciones de una sola molécula, la conductancia de una sola molécula es muy variable30,31,32,33. Por lo tanto, la evaluación estadística de las señales de una sola molécula es esencial para una identificación molecular fiable. La mayoría de los análisis típicos basados ​​en histogramas de conductancia solo proporcionan información de conductancia estadística sobre la conductancia de una sola molécula. La superposición de los histogramas de conductancia da como resultado una baja precisión en la discriminación de una sola molécula. La aplicación del aprendizaje automático a las mediciones de una sola molécula es un método prometedor para abordar estos problemas. El análisis basado en el aprendizaje automático ha mejorado la precisión de discriminación de las mediciones de una sola molécula26,34,35,36,37,38. Sin embargo, los enfoques convencionales de aprendizaje automático requieren datos de entrenamiento obtenidos de soluciones que contienen solo una especie química para cada molécula objetivo. Teniendo en cuenta la aplicación de mediciones de una sola molécula para detectar biomoléculas u objetivos específicos, en ocasiones es difícil preparar una referencia que contenga solo una muestra de una solución que contiene impurezas para todas las moléculas. Sin embargo, la preparación de muestras con concentraciones variables de las moléculas objetivo en soluciones impuras puede ser comparativamente más fácil. Por ejemplo, promoviendo o inhibiendo la emisión del objetivo en muestras biológicas o agregando una molécula de referencia en una solución de muestra. Incluso si se puede medir una solución que contiene solo una molécula objetivo específica, el clasificador de aprendizaje automático creado con los datos de entrenamiento puede no ser aplicable a las muestras porque el entorno de medición de los datos de entrenamiento puede ser diferente al de la muestra. Por estas razones, el desarrollo de un método para la discriminación directa de muestras mixtas sin muestras objetivo de una sola especie representa un avance significativo en el campo de las mediciones de una sola molécula. El enfoque tiene un potencial significativo para proporcionar información sobre la detección de moléculas biológicas y otros objetivos en muestras complejas. Aquí, el objetivo de este estudio fue el desarrollo de un método analítico para identificar moléculas basado solo en soluciones mixtas. Como se muestra en la figura 1, con el objetivo de dGMP y dTMP, que ya se sabe que son identificables mediante mediciones de una sola molécula de solución pura y análisis convencional basado en aprendizaje automático, desarrollamos un método para determinar la proporción de concentración de soluciones mixtas solo a partir de sus mezclas.

Diagrama de flujo de la clasificación de una sola molécula. Para las mediciones de corriente de una sola molécula, las soluciones de muestra se inyectaron en un pozo de PDMS y los chips se doblaron con una barra de empuje finamente controlada con un dispositivo piezoeléctrico para formar un nanogap, después de lo cual se midió la corriente. El recuadro verde representa el método convencional, mientras que el recuadro naranja representa los nuevos conceptos. Las líneas continuas muestran el proceso de cada muestra individual y las líneas discontinuas muestran el proceso de la mezcla.

Las moléculas diana en este estudio son dos nucleótidos de ADN, monofosfato de desoxiguanosina (dGMP) y monofosfato de timidina (dTMP). Estos objetivos se seleccionaron como sistemas modelo para la identificación de señales de una sola molécula mediante el aprendizaje automático en lugar de su aplicabilidad en la identificación de mezclas de dos moléculas. Los nucleótidos se pueden identificar mediante mediciones de una sola molécula y se han informado previamente como moléculas diana en varios estudios15,17,36. La Figura 2a,b muestra las estructuras moleculares de dGMP y dTMP, respectivamente. Como se muestra en la Fig. 2c, d, se genera una señal de pulso actual cuando una molécula individual pasa a través del nanogap. La Figura 2c, d muestra histogramas de los valores de corriente máxima (Ip). Las corrientes promedio para dGMP y dTMP son 32 pA y 25 pA bajo un voltaje de polarización de 100 mV para dGMP y dTMP, respectivamente. dGMP exhibe una conductancia más alta que dTMP porque su nivel de HOMO está más cerca del nivel de Au Fermi39, que es el orbital de conducción para dGMP en lugar de para dTMP. Aunque la conductancia promedio de las dos moléculas muestra una clara diferencia, sus histogramas Ip muestran una superposición. Ambos histogramas exhiben señales de baja corriente a 20 pA. La señal de baja corriente fue causada por la estructura de puente de una sola molécula entre el nanogap. El transporte de electrones a través del orbital molecular inferior del azúcar ribosa provoca una corriente más baja40. La gran superposición indica que depender únicamente de métodos de análisis basados ​​en histogramas que dependen de Ip es insuficiente para una discriminación precisa y que el uso de aprendizaje automático es necesario.

Resultados de las mediciones de una sola molécula de dGMP y dTMP. (a), (b) Estructura molecular de dGMP y dTMP, respectivamente. (c), (d) Tres pulsos de corriente individuales de dGMP y dTMP. (e), (f) Histogramas de la corriente máxima (Ip) para dGMP y dTMP, respectivamente. Cada corriente se mide bajo una polarización de 100 mV.

Como comparación con el método propuesto, la proporción de mezcla de la mezcla se predijo utilizando un método de clasificación convencional basado en aprendizaje automático. En el método convencional, el clasificador de aprendizaje automático se entrena primero a partir de las señales de corriente de una sola molécula obtenidas de las mediciones de cada solución de un solo objetivo con la etiqueta de nombres moleculares. El clasificador de aprendizaje automático luego identifica las señales actuales obtenidas de la mezcla en función de las características aprendidas de cada señal molecular. Finalmente, se cuenta cada etiqueta molecular pronosticada de los datos de la solución mixta, y la proporción de concentración se determina como la proporción del número de señales para cada molécula. La Fig. 3a muestra el proceso de validación del entrenamiento del clasificador de aprendizaje automático. El proceso de validación de aprendizaje automático consiste en la medición, la extracción de señales, la extracción de características, el entrenamiento y la identificación de uniones de rotura controlables mecánicamente (MCBJ). En este estudio, los vectores de 13 dimensiones que consisten en Ip, el tiempo de duración (td) y el factor de corriente normalizado de 10 dimensiones, que se usaron en métodos informados anteriormente, se usan como características20,26,35,36. Los factores de corriente normalizados de 10 dimensiones se definen como el valor de corriente promedio normalizado por el valor de corriente máximo de cada una de las 10 secciones de tiempo, como se muestra en la Fig. 3b. Se utilizó un método de validación cruzada (CV) de 10 veces para la verificación, el entrenamiento y la predicción, como se muestra en la Fig. S1 en Información complementaria. En el CV de 10 veces, todos los datos se dividen en diez subconjuntos, y un subconjunto se usa como datos de prueba, mientras que la identificación es entrenada por los otros subconjuntos en un ciclo de 10 veces para garantizar que todos los datos se prueben una vez. Los resultados de validación para las dos moléculas medidas en soluciones puras se presentan en la matriz de confusión que se muestra en la Fig. 3c. La medida F, un índice de rendimiento de la clasificación, es 0,78. Este enfoque demuestra la identificabilidad de un clasificador de aprendizaje automático entrenado con datos medidos a partir de soluciones que contienen una sola especie química. Para confirmar la capacidad discriminatoria del clasificador, se predijo la proporción de mezcla del objetivo utilizando un clasificador de aprendizaje automático que aprendió la señal actual de cada molécula en el paso anterior. Las Figuras 4a,b muestran los histogramas de Ip medidos en las dos mezclas dGMP:dTMP = 3:1 y dGMP:dTMP = 1:3, respectivamente. La solución dGMP:dTMP = 3:1, que contiene más del dGMP más conductivo, muestra una conductancia más alta que la solución dGMP:dTMP = 1:3, que contiene más del dTMP menos conductivo. La Figura 4c muestra el proceso de identificación de las señales actuales obtenidas en la mezcla utilizando el clasificador de aprendizaje automático entrenado a partir de las señales actuales de cada objetivo en el paso anterior para predecir la proporción de la mezcla. Utilizando este proceso, el clasificador de aprendizaje automático predijo proporciones de mezcla de 1,7:1 y 1:1,6 para las señales obtenidas de las soluciones dGMP:dTMP = 3:1 y dGMP:dTMP = 1:3, respectivamente, como se muestra en la Fig. 4d. Como se muestra en la Fig. 3c, la precisión de identificación de cada nucleótido varía individualmente, lo que puede resultar en una subestimación de la proporción de predicción de nucleótidos abundantes.

Métodos de entrenamiento de aprendizaje automático convencionales y resultados de identificación. (a) Proceso de entrenamiento de aprendizaje automático para soluciones puras utilizando el método convencional. Las características incluyen factores como la corriente máxima (Ip), la duración (td), la corriente promedio (Iavg.) y la corriente normalizada de 10 dimensiones para cada señal de pulso. (b) Pulso de corriente individual de una sola molécula (línea continua azul) y definiciones de las características. Las líneas discontinuas negras muestran el área del pulso actual dividida en diez partes a lo largo del eje del tiempo. Los valores de corriente promedio (líneas discontinuas rojas) de cada parte dividida de I1 a I10 son 13,2, 38,3, 38,0, 43,5, 35,4, 44,1, 42,0, 34,3, 39,0 y 30,8 pA, respectivamente. Si significa Ii normalizado con respecto a Ip. Las líneas continuas verde, roja y rosa representan Ip, td y Iavg., respectivamente. ( c ) Matriz de confusión de predicciones de dGMP y dTMP en soluciones puras.

Proceso y resultados de predecir la relación de mezcla del objetivo utilizando el clasificador entrenado en la señal actual de la molécula en el paso anterior. (a), (b) Histogramas de IP medidos en dos mezclas, dGMP:dTMP = 3:1 y dGMP:dTMP = 1:3, respectivamente. (c) El proceso de identificar la señal actual de mezclas utilizando el clasificador de aprendizaje automático entrenado en la señal actual de cada objetivo para predecir la proporción de mezcla. (d) Los resultados de predecir la proporción de mezcla de mezclas en base a datos entrenados.

El objetivo principal de esta investigación es desarrollar un método para distinguir entre las dos moléculas a partir de los datos medidos usando solo soluciones mixtas. Se conoce la relación entre las concentraciones de las dos mezclas, es decir, soluciones que contienen más dGMP o dTMP. Los procesos de medición e identificación para este nuevo concepto se ilustran en la Fig. 5a. Los límites discriminativos de las dos moléculas se estimaron directamente a partir de los datos obtenidos de las dos mezclas con datos no etiquetados y clasificación de datos no etiquetados (UUC) basada en la estimación de densidad kernel (KDE)41. La Fig. 5b muestra un diagrama conceptual de UUC, un método para determinar límites discriminantes a partir de datos en los que las dos clases se mezclan en diferentes concentraciones. En la Fig. 5b, los colores azul y rojo representan dos tipos de mezclas. Ambas soluciones contienen diferentes concentraciones de las dos clases. Las clases son desconocidas de antemano. El propósito de UUC es distinguir entre estas dos clases en función de qué clase es más abundante en la solución. KDE es una técnica estadística no paramétrica utilizada para estimar la función de densidad de probabilidad en un espacio de características directamente a partir de los datos observados, como se muestra en la Fig. 5c. Intuitivamente, KDE calcula la densidad de probabilidad sumando los núcleos gaussianos obtenidos de cada punto de datos observado, de forma similar a como se crea un histograma sumando puntos de datos. Este método puede obtener una distribución de densidad de probabilidad uniforme con menos datos que un histograma. En este estudio, el núcleo gaussiano se centró en los puntos de datos observados. En el método UUC utilizado en este estudio, las distribuciones de densidad de probabilidad de las dos clases fueron determinadas por KDE a través de la corrección. Este método se propone para una situación en la que uno de los puntos de datos contiene solo clases positivas. Sin embargo, debido a que el método propuesto se basa en el principio de que las regiones de mayor concentración exhiben densidades de probabilidad más altas, también se puede aplicar a dos mezclas de datos no etiquetados con relaciones de concentración conocidas. Para la comparación con el método convencional, la identificación se realizó con las mismas características extraídas del mismo conjunto de datos que el descrito en la sección anterior. El clasificador de aprendizaje automático UUC se entrenó usando solo las señales de las mezclas y predijo las moléculas, y los resultados se presentan en la Fig. 5d. Se predijo que las proporciones de señales correspondientes a proporciones 3:1 y 1:3 de dGMP:dTMP serían 3,2:1 y 1:3,5, respectivamente. El desempeño del nuevo método de identificación propuesto en este estudio se compara con el de los métodos convencionales, como se muestra en la Fig. 5e. Las estructuras electrónicas de los electrodos afectan la conductancia de una sola molécula. La variación de la estructura electrónica debido a la adsorción molecular en la superficie del electrodo o las diferentes geometrías de los electrodos pueden afectar las señales de una sola molécula42,43,44,45. En los últimos años se ha desarrollado una amplia variedad de métodos de aprendizaje automático. El aprendizaje no supervisado es aplicable a la identificación de datos sin etiquetas explícitas, al igual que el aprendizaje supervisado. Este método se ha aplicado a la discriminación de trazas I–z de mediciones de una sola molécula34. Sin embargo, los métodos de aprendizaje no supervisados ​​convencionales no pueden identificar adecuadamente los datos experimentales de las dos soluciones, como se muestra en SI.5. El nuevo método UUC puede discriminar entre dos moléculas midiendo solo las mezclas. Se supone que el método evita la propagación de errores debido a cambios ambientales y provoca una discriminación de mayor precisión que los métodos convencionales. La figura 5f muestra el perfil actual de la solución dGMP:dTMP = 3:1 con los resultados de predicción molecular obtenidos por el método UUC. Las señales roja y azul indican señales derivadas de dGMP y dTMP, respectivamente. Las señales obtenidas de las mezclas se pueden discriminar individualmente.

(a) Proceso de entrenamiento e identificación con datos de mezclas únicamente. ( b ) Imagen esquemática de UUC. Los colores rojo y azul representan dos tipos de mezclas con diferentes concentraciones de las dos clases. Los círculos y triángulos representan cada clase. El método UUC determina la curva naranja, que representa el límite entre dos clases. ( c ) Imagen esquemática del KDE para estimar la función de densidad de probabilidad en el espacio de características. Los puntos rojos y azules y las líneas discontinuas indican los puntos de datos y su kernel gaussiano, respectivamente. Las curvas continuas representan la suma de las líneas discontinuas, que representa la estimación de la densidad del kernel. (d) El resultado de predecir la proporción de mezcla de dos mezclas con datos entrenados solo en la mezcla. (e) Comparación del rendimiento de los métodos nuevos y antiguos con respecto a la tasa de predicción. ( f ) El perfil actual resultante de identificar la señal de cada molécula individual individualmente (en dGMP: dTMP = solución 3: 1). ( g ), ( h ) Histogramas de IP basados ​​​​en los resultados de identificación de las soluciones dGMP: dTMP = 3: 1 y dGMP: dTMP = 1: 3, respectivamente. Las barras roja y azul representan los histogramas predichos como dGMP y dTMP, respectivamente. Las líneas continuas representan la suma de los dos histogramas.

En la sección anterior, los histogramas de conductancia de nucleótidos individuales (Fig. 2) mostraron que dGMP tiene una conductancia más alta. Centrándonos en las señales individuales identificadas, la señal dGMP no siempre muestra una conductancia más alta que la señal dTMP. Los algoritmos de aprendizaje automático pueden diferenciar entre señales según la conductancia y la forma de la señal. Esto se debe a que los histogramas actuales de los resultados identificados se analizan estadísticamente. Los histogramas de Ip de los resultados identificados de las señales obtenidas de las soluciones dGMP: dTMP = 3: 1 y dGMP: dTMP = 1: 3 se muestran en la Fig. 5g, h, respectivamente. Las barras rojas y azules representan histogramas predichos como dGMP y dTMP, respectivamente. Los histogramas confirman que el método UUC puede predecir proporciones de mezcla y que dGMP tiene una conductancia más alta que dTMP. Esto concuerda con los resultados de la medición de solución pura. En particular, este nuevo método permite la determinación de relaciones de concentración utilizando solo dos soluciones de mezcla de concentraciones desconocidas. Se supone que esta técnica es aplicable a los métodos de detección molecular. Por ejemplo, esta técnica se puede aplicar para determinar la relación de concentración de una molécula en una muestra biológica que contiene un material extraño comparándola con una muestra normal y una muestra positiva/negativa con un control que promueve o inhibe la molécula de interés o por medir la concentración de la molécula de interés en una muestra de concentración desconocida y una muestra a la que se añade una muestra de referencia. La relación de concentración de la molécula de interés también se puede determinar a partir de muestras positivas/negativas de la molécula de interés con un control que promueve o inhibe la molécula de interés.

En este estudio, desarrollamos un nuevo método para identificar moléculas mediante la medición de una sola molécula de solo soluciones mixtas y un método de discriminación para dos tipos de datos no etiquetados mediante la estimación de la densidad del kernel. En comparación con el método tradicional, nuestro enfoque mostró una mayor precisión en la predicción de la composición de las soluciones mixtas. Se espera que la técnica desarrollada en este estudio para identificar moléculas objetivo en soluciones mixtas sin entrenamiento de muestras individuales tenga amplias aplicaciones para varias moléculas en el campo de la medición de moléculas individuales.

El monofosfato de desoxiguanosina (dGMP, Sigma-Aldrich) y el monofosfato de desoxitimidina (dGTP, Sigma-Aldrich) se diluyeron en agua Milli-Q sin ningún otro proceso de purificación. La concentración de cada solución de dGMP y dTMP utilizada en la medición fue de 10 μM. Las mediciones de dGMP:dTMP = 3:1 usaron la mezcla de 750 μM dGMP y 250 μM dTMP, y las mediciones de dGMP:dTMP = 1:3 usaron la solución de 250 μM dGMP y 750 μM dTMP. Se fabricaron pocillos de polidimetilsiloxano (PDMS) y se trataron con plasma de oxígeno durante 10 s, se conectaron al dispositivo de electrodo MCBJ nanogap y se trataron en el horno de vacío a 90 °C durante 60 min.

Se aplicó la técnica MCBJ para formar nanogaps de oro. Los hilos de oro se depositaron sobre el sustrato de silicio flexible. En primer lugar, se formó una película fina de poliimida como capa aislante sobre el sustrato de silicio. Se fabricaron decenas de patrones de nanómetros de ancho mediante litografía por haz de electrones, y los hilos de oro se depositaron sobre los patrones mediante deposición de vapor químico mejorado con plasma. Finalmente, la capa de poliimida se grabó en seco para formar el puente de alambre de oro. El sustrato de alambre de oro se instaló en el sistema MCBJ y se controló el cambio de corriente hasta que los alambres se rompieron mecánicamente debido a la flexión repetida en tres puntos y apareció una fuerte caída de corriente. Durante este proceso, la corriente se midió usando el dispositivo piezoeléctrico para controlar con precisión el ancho del espacio en tiempo real y ajustar la varilla de empuje con ajuste piezoeléctrico.

Las soluciones se inyectaron en PDMS bien conectado al dispositivo MCBJ. Se aplicó un voltaje de 100 mV al electrodo de solución durante 5 min. Antes de cada medición individual, se realizó un experimento de control inyectando solo agua Milli-Q. La distancia entre electrodos d del nanogap se fijó en 0,58, 0,56 y 0,54 nm mediante la técnica MCBJ.

Cada una de las 830 señales de pulso fue entrenada y clasificada con aprendizaje automático supervisado del clasificador Random Forest (RF) en scikit-learn versión 0.24.246. En el proceso de validación, se realizó el CV de 10 veces y sus valores promedio y desviación estándar proporcionaron las razones y errores de clasificación. Los errores son la desviación estándar de la clasificación de 10 veces. En el análisis de soluciones mixtas, el clasificador de aprendizaje automático supervisado por RF se entrenó con 1000 señales dGMP y dTMP cada una. Se analizaron señales con Ip > 20 pA y td > 1 ms. Las señales de las mezclas se clasificaron una a una con el clasificador entrenado. El análisis se realizó utilizando Python 3.10.4. Los códigos fuente de UUC y KDE ponderado fueron preparados por nosotros mismos usando Python 3.10.4. Las 1000 señales y características de las mezclas son las mismas que las de los métodos convencionales. Se adoptó el núcleo gaussiano. El ancho de banda está determinado por la regla de Silverman41.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente a pedido razonable. La correspondencia y las solicitudes de materiales deben dirigirse a MT

Li, Y., Yang, C. y Guo, X. Detección eléctrica de una sola molécula: una ruta prometedora hacia los límites fundamentales de la química y las ciencias de la vida. Cuenta química Res. 53, 159–169 (2020).

Artículo CAS PubMed Google Académico

Xie, X. et al. Unión de una sola molécula: una plataforma confiable para monitorear procesos físicos y químicos moleculares. ACS Nano 16, 3476–3505 (2022).

Artículo CAS PubMed Google Académico

Di Ventra, M. & Taniguchi, M. Descodificación de ADN, ARN y péptidos con tunelización cuántica. Nat. Nanotecnología. 11, 117–126 (2016).

Artículo ADS PubMed Google Scholar

Martin, CA, Ding, D., Van Der Zant, HSJ y Van Ruitenbeek, JM Uniones de ruptura mecánicas litográficas para mediciones de una sola molécula en el vacío: posibilidades y limitaciones. Nuevo J. Phys. 10, 065008 (2008).

Artículo ANUNCIOS Google Académico

Reed, MA, Zhou, C., Muller, CJ, Burgin, TP y Tour, JM Conductancia de una unión molecular. Ciencia 278, 1–3 (1997).

Artículo Google Académico

Krans, JM y col. Contactos puntuales de un átomo. física Rev. B 48, 14721–14724 (1993).

Artículo ADS CAS Google Académico

Agraït, N., Yeyati, A. L. & van Ruitenbeek, J. M. Quantum properties of atomic-sized conductors. Phys. Rep. 377, 81–279 (2003).

Artículo ANUNCIOS Google Académico

Evers, F., Korytár, R., Tewari, S. & Van Ruitenbeek, JM Avances y desafíos en el transporte de electrones de una sola molécula. Rev.Mod. física 92, 35001 (2020).

Artículo CAS Google Académico

Bai, J., Li, X., Zhu, Z., Zheng, Y. y Hong, W. Transistores electroquímicos de molécula única. Adv. Mate. 33, 1–20 (2021).

Artículo Google Académico

Aradhya, SV & Venkataraman, L. Uniones de una sola molécula más allá del transporte electrónico. Nat. Nanotecnología. 8, 399–410 (2013).

Artículo ADS CAS PubMed Google Scholar

Huang, C., Rudnev, AV, Hong, W. y Wandlowski, T. Unión de ruptura bajo activación electroquímica: banco de pruebas para electrónica de molécula única. química Soc. Rev. 44, 889–901 (2015).

Artículo CAS PubMed Google Académico

Su, TA, Neupane, M., Steigerwald, ML, Venkataraman, L. & Nuckolls, C. Principios químicos de la electrónica de una sola molécula. Nat. Rev.Mater. https://doi.org/10.1038/natrevmats.2016.2 (2016).

Artículo Google Académico

Song, H., Reed, MA & Lee, T. Dispositivos electrónicos de una sola molécula. Adv. Mate. 23, 1583-1608 (2011).

Artículo CAS PubMed Google Académico

Zwolak, M. & Di Ventra, M. Colloquium: Enfoques físicos para la secuenciación y detección de ADN. Rev.Mod. física 80, 141–165 (2008).

Artículo ANUNCIOS Google Académico

Zwolak, M. & Di Ventra, M. Firma electrónica de nucleótidos de ADN mediante transporte transversal. Nano Lett. 5, 421–424 (2005).

Artículo ADS CAS PubMed Google Scholar

Ohshiro, T. et al. Observación directa de alteraciones del ADN inducidas por un disruptor de ADN. ciencia Rep. 12, 1–9 (2022).

Artículo Google Académico

Tsutsui, M., Taniguchi, M., Yokota, K. y Kawai, T. Identificación de nucleótidos individuales mediante la corriente de túnel. Nat. Nanotecnología. 5, 286–290 (2010).

Artículo ADS CAS PubMed Google Scholar

Ohshiro, T. et al. Secuenciación de ARN de molécula única para la detección simultánea de m6A y 5mC. ciencia Rep. 11, 1–10 (2021).

Artículo Google Académico

Zhao, Y. et al. Espectroscopía de molécula única de aminoácidos y péptidos mediante tunelización de reconocimiento. Nat. Nanotecnología. 9, 466–473 (2014).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Ryu, J., Komoto, Y., Ohshiro, T. & Taniguchi, M. Clasificación de una sola molécula de ácido aspártico y leucina por reconocimiento molecular a través de enlaces de hidrógeno y análisis de series temporales. química Asian J. 17, e202200179 (2022).

Google Académico

Ohshiro, T. et al. Detección de modificaciones postraduccionales en péptidos individuales utilizando corrientes de efecto túnel de electrones. Nat. Nanotecnología. 9, 835–840 (2014).

Artículo ADS CAS PubMed Google Scholar

Hihath, J. & Tao, N. Medición rápida de la conductancia de una sola molécula. Nanotecnología 19, 265204 (2008).

Artículo ADS PubMed Google Scholar

Zhang, B. et al. Observación de fluctuaciones gigantes de conductancia en una proteína. Nano Futuro. 1, 035002 (2017).

Artículo ANUNCIOS Google Académico

Zhang, B. et al. Papel de los contactos en la conductancia de proteínas de largo alcance. proc. nacional Academia ciencia EE. UU. 116, 5886–5891 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Ruiz, MP et al. Bioingeniería de una unión de una sola proteína. Mermelada. química Soc. 139, 15337–15346 (2017).

Artículo CAS PubMed Google Académico

Komoto, Y. et al. Detección de neurotransmisores con resolución temporal en tejido cerebral de ratón utilizando una nanogapa de inteligencia artificial. ciencia Rep. 10, 1–7 (2020).

Artículo Google Académico

Nishino, T., Shiigi, H., Kiguchi, M. y Nagaoka, T. Detección específica de glucosa de una sola molécula en una unión de túnel diseñada supramolecularmente. química común 53, 5212–5215 (2017).

Artículo CAS Google Académico

Hu, Y. et al. Determinación de Ag[I] y NADH utilizando sondas radiométricas de conductancia de molécula única. Sensores ACS 6, 461–469 (2021).

Artículo CAS PubMed Google Académico

Yu, P. et al. Sensores de efecto túnel de molécula única para explosivos de nitrobenceno. Anal. química 94, 12042–12050 (2022).

Artículo CAS PubMed Google Académico

Zhu, Z. et al. Variaciones de conductancia de una sola molécula de hasta cuatro órdenes de magnitud a través de electrodos de contacto con diferentes sitios de anclaje. J.Mater. química C 9, 16192–16198 (2021).

Artículo CAS Google Académico

Chen, F., Hihath, J., Huang, Z., Li, X. y Tao, NJ Medición de la conductancia de una sola molécula. año Rev. Phys. química 58, 535–564 (2007).

Artículo ADS CAS PubMed Google Scholar

Stefani, D. et al. Grandes variaciones de conductancia en una unión de una sola molécula mecanosensible. Nano Lett. 18, 5981–5988 (2018).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Li, H. et al. Grandes variaciones en la conductancia de una sola molécula de silanos cíclicos y bicíclicos. Mermelada. química Soc. 140, 15080–15088 (2018).

Artículo CAS PubMed Google Académico

Huang, F. et al. Clasificación automática de datos de transporte de carga de una sola molécula con un algoritmo de aprendizaje automático no supervisado. física química química física 22, 1674–1681 (2020).

Artículo CAS PubMed Google Académico

Komoto, Y., Ohshiro, T. & Taniguchi, M. Detección de un marcador de cáncer asociado con el alcohol mediante secuenciación cuántica de una sola molécula. química común 56, 14299–14302 (2020).

Artículo CAS Google Académico

Taniguchi, M. et al. Identificación de alta precisión de una sola molécula basada en información de una sola molécula dentro de una matriz ruidosa. J. física. química C 123, 15867–15873 (2019).

Artículo CAS Google Académico

Bro-Jørgensen, W., Hamill, JM, Bro, R. y Solomon, GC Confiando en nuestras máquinas: validación de modelos de aprendizaje automático para experimentos de transporte de una sola molécula. química Soc. Rev. 51, 6875–6892 (2022).

Artículo PubMed PubMed Central Google Académico

Magyarkuti, A., Balogh, N., Balogh, Z., Venkataraman, L. y Halbritter, A. Reconocimiento de características no supervisado en datos de unión de ruptura de una sola molécula. Nanoescala 12, 8355–8363 (2020).

Artículo CAS PubMed Google Académico

Ohshiro, T. et al. Resecuenciación aleatoria eléctrica de una sola molécula de ADN y ARN. ciencia Rep. https://doi.org/10.1038/srep00501 (2012).

Artículo PubMed PubMed Central Google Académico

Furuhata, T. et al. El análogo de nucleótido altamente conductivo facilita la llamada de bases en la secuenciación de ADN basada en túneles cuánticos. ACS Nano 13, 5028–5035 (2019).

Artículo CAS PubMed Google Académico

Yoshida, T., Washio, T., Ohshiro, T. y Taniguchi, M. Clasificación de datos positivos y no etiquetados basada en la invariancia de probabilidad para la medición. Intel. Análisis de datos. 25, 57–79 (2021).

Artículo Google Académico

Kaneko, S. et al. Identificación del sitio de adsorción molecular de una unión de una sola molécula a través de estudios combinados de Raman y conductancia. química ciencia 10, 6261–6269 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Bekyarova, E. et al. Propiedades electrónicas de redes de nanotubos de carbono de pared simple. Mermelada. química Soc. 127, 5990–5995 (2005).

Artículo CAS PubMed Google Académico

Li, C. et al. Transporte de carga en uniones únicas de Au|alcanoditiol|Au: geometrías de coordinación y grados de libertad conformacionales. Mermelada. química Soc. 130, 318–326 (2008).

Artículo CAS PubMed Google Académico

Bamberger, ND y col. Más allá de las simples relaciones estructura-función: la interacción de la geometría, la estructura electrónica y el acoplamiento molécula/electrodo en uniones de una sola molécula. J. física. química C 126, 6653–6661 (2022).

Artículo CAS Google Académico

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Académico

Descargar referencias

Este trabajo fue apoyado por la Sociedad Japonesa para la Promoción de la Ciencia (JSPS) KAKENHI Grant Números 19H00852, 21H01741, 22K14566 y la Agencia de Ciencia y Tecnología de Japón (JST) Core Research for Evolutional Science and Technology (CREST) ​​Grant Número JPMJCR1666 y JST Support for Pioneering Investigación iniciada por la subvención Next Generation (SPRING) número JPMJSP2138, Japón. Nos gustaría agradecer a Editage (www.editage.com) por la edición en inglés.

SANKEN, Universidad de Osaka, 8-1 Mihogaoka, Ibaraki, Osaka, 567-0047, Japón

Jiho Ryu, Yuki Komoto, Takahito Ohshiro y Masateru Taniguchi

Centro de Investigación de Inteligencia Artificial, Universidad de Osaka, Ibaraki, Osaka, 567-0047, Japón

yuki komoto

Investigación Fronteriza Integrada para la División de Ciencias Médicas, Instituto para la Iniciativa de Investigación Abierta y Transdisciplinaria (OTRI), Universidad de Osaka, Ibaraki, Osaka, 567-0047, Japón

yuki komoto

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

JR, YK, TO y MT planificaron y diseñaron los experimentos. JR, YK y TO participaron en la fabricación de MCBJ y mediciones eléctricas de una sola molécula. JR y YK realizaron análisis de datos. JR, YK, TO y MT coescribieron el artículo.

Correspondencia a Masateru Taniguchi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ryu, J., Komoto, Y., Ohshiro, T. et al. Discriminación directa de biomoléculas en muestras mixtas mediante medición eléctrica de una sola molécula basada en nanogap. Informe científico 13, 9103 (2023). https://doi.org/10.1038/s41598-023-35724-1

Descargar cita

Recibido: 27 de marzo de 2023

Aceptado: 23 de mayo de 2023

Publicado: 05 junio 2023

DOI: https://doi.org/10.1038/s41598-023-35724-1

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.