I risultati ottenuti indicano che il metodo può rilevare e classificare sottili differenze compositive in campioni complessi di origine biologica, supportando la sua potenziale applicabilità a contesti bioanalitici e diagnostici reali.

 

Comprendere la diversità molecolare è fondamentale per la ricerca e la diagnostica biomedica, ma gli strumenti analitici esistenti faticano a distinguere sottili variazioni nella struttura o nella composizione tra biomolecole, come le proteine.

I ricercatori dell’Università di Tokyo hanno sviluppato un nuovo approccio analitico che aiuta a superare questo problema.

Il nuovo metodo, chiamato profiling dei nanopori a matrice di tensione, combina registrazioni multivoltaggio dei nanopori allo stato solido con l’apprendimento automatico per una classificazione accurata delle proteine ​​in miscele complesse, basata sulle firme elettriche intrinseche delle proteine.

Lo studio, pubblicato su Chemical Science, dimostra come questo nuovo framework possa identificare e classificare l'”individualità molecolare” senza bisogno di etichette o modifiche. La ricerca promette di fornire una base che potrebbe portare ad applicazioni più avanzate e più ampie dell’analisi molecolare in vari ambiti, inclusa la diagnosi delle malattie.

I nanopori allo stato solido sono minuscoli tunnel che una proteina o un’altra molecola può attraversare, spinti dalla corrente ionica che attraversa l’apertura. Applicando una tensione a questo processo, i segnali prodotti dal passaggio delle molecole attraverso i nanopori possono aiutare a identificare la molecola.

Sebbene le tecnologie dei nanopori abbiano rivoluzionato l’analisi di DNA e RNA, la loro applicazione alle proteine ​​è stata limitata a causa della loro complessa struttura e della variabilità nel comportamento del segnale. Il nuovo approccio del team varia sistematicamente le condizioni di tensione, catturando sia i modelli di segnale stabili che quelli dipendenti dalla tensione. L’organizzazione di queste caratteristiche in una matrice di tensione consente a un modello di apprendimento automatico di distinguere le proteine ​​anche all’interno di miscele, estendendo l’uso delle misurazioni dei nanopori oltre il sequenziamento verso la profilazione molecolare generale.

“Identificare e classificare le proteine ​​all’interno di miscele biologiche complesse è difficile. Metodi tradizionali come il test immunoenzimatico (ELISA) o la spettrometria di massa spesso faticano a risolvere sottili differenze strutturali o stati dinamici, soprattutto senza marcatura”, ha affermato il Professor Sotaro Uemura del Dipartimento di Scienze Biologiche dell’Università di Tokyo. “I nanopori allo stato solido offrono una soluzione promettente, ma gli approcci precedenti erano limitati dalla loro dipendenza da misurazioni a singolo voltaggio. Il nostro lavoro si proponeva di superare queste limitazioni“.

Per dimostrare il concetto, i ricercatori hanno analizzato miscele contenenti due biomarcatori proteici correlati al cancro, l’antigene carcinoembrionario (CEA) e l’antigene canceroso 15-3 (CA15-3). Costruendo una matrice di voltaggio a partire da segnali registrati in sei diverse condizioni di voltaggio, hanno identificato distinti modelli di risposta caratteristici di ciascuna proteina. L’approccio ha anche rilevato variazioni nelle popolazioni molecolari quando un aptamero, un breve segmento di DNA sintetico, si legava al CEA.

Inoltre, per esaminare la praticità dell’approccio, i ricercatori hanno applicato il modello a matrice di voltaggio a campioni di siero di topo. Confrontando sieri sottoposti a centrifugazione e non sottoposti a centrifugazione e analizzandoli in diverse condizioni di voltaggio, hanno scoperto che i due tipi di campioni potevano essere chiaramente distinti all’interno della matrice di voltaggio. Questo risultato indica che il metodo può rilevare e classificare sottili differenze compositive in campioni complessi di origine biologica, supportando la sua potenziale applicabilità a contesti bioanalitici e diagnostici reali.

“Variando sistematicamente le condizioni di tensione e applicando l’apprendimento automatico, possiamo creare una matrice di tensione che rivela sia caratteristiche molecolari robuste e indipendenti dalla tensione, sia cambiamenti strutturali sensibili alla tensione“, ha affermato Uemura. “Il nostro studio non si limita a migliorare la sensibilità di rilevamento, ma stabilisce un nuovo modo di rappresentare e classificare i segnali molecolari attraverso le tensioni, consentendoci di visualizzare l’individualità molecolare e stimare le composizioni all’interno delle miscele“.

Guardando al futuro, il team prevede di estendere il framework a campioni di siero o saliva umana e di sviluppare un sistema di nanopori parallelizzato, che esegua più attività simultaneamente, per la profilazione molecolare in tempo reale: una base che potrebbe in ultima analisi supportare applicazioni che vanno dalla diagnostica biomedica al monitoraggio dei cambiamenti ambientali.

 

fonte: Università di Tokyo; nella foto: Illustrazione del profilo di nanopori a matrice di tensione. La rappresentazione artistica raffigura proteine ​​(forme colorate) analizzate da nanopori allo stato solido in condizioni di tensione variabili. Combinando i segnali dei nanopori con l’apprendimento automatico, i ricercatori possono discriminare miscele proteiche e rilevare cambiamenti nelle popolazioni molecolari. Questa illustrazione è stata selezionata per la copertina del numero della rivista. ©2025 Sotaro Uemura, Università di Tokyo