پروتئین ها را می توان به عنوان نیروی کار سلول در نظر گرفت؛ پس از سنتز، معمولاً دچار تغییرات مختلفی می شوند. از آنجایی که این تغییرات می توانند به شدت بر عملکرد یک پروتئین در سلول تأثیر بگذارند، این «اصلاحات پس از ترجمه» یا PTM ها برای بسیاری از فرآیندهای بیولوژیکی مهم هستند.
PTM ها همچنین به عنوان نشانگرهای زیستی برای تشخیص بیماری های خاص عمل می کنند و به ما امکان می دهند آنها را به طور دقیق شناسایی و تجزیه و تحلیل کنیم تا از تشخیص اشتباه جلوگیری کنیم. با این حال، روش‌های سنتی از نظر حساسیت و ویژگی محدود هستند، به‌ویژه زمانی که با غلظت‌های کم پروتئین و الگوهای پیچیده PTM سروکار داریم. این روش ها محدودیت های زیادی دارند.
چیزی را گزارش کنید مهر دانشمندان در EPFL اخیراً روش جدیدی ابداع کرده اند که حساسیت بیونانوفورها را با دقت یادگیری عمیق ترکیب می کند. این رویکرد نوآورانه می تواند روش شناسایی و تجزیه و تحلیل PTM ها را تغییر دهد.
این روش جدید از یک نانوحفره بیولوژیکی برای شناسایی و تمایز پپتیدها استفاده می کند. گروه Dal Praro قبلاً با نانوحفره‌های مبتنی بر aerolysin برای ایجاد حسگرهایی با وضوح بالا برای مولکول‌های پیچیده و حتی خواندن داده‌های کدگذاری شده در ماکرومولکول‌های مصنوعی کار کرده بود.
این فناوری نانو حفره به اندازه کافی حساس است تا این پپتیدها را در غلظت‌های picomolar شناسایی کند که پیشرفت قابل توجهی نسبت به روش‌های موجود است.
اما این روش چگونه کار می کند؟ هنگامی که پپتیدها از نانوحفره عبور می کنند، تغییرات خاصی در جریان یون ها در نانوحفره ایجاد می کنند که به آن «جریان یونی» می گویند. هر نوع PTM ساختار پپتید را به روشی منحصربفرد تغییر می دهد و در نتیجه علائم متفاوتی در جریان ایجاد می شود.
با ثبت این تغییرات شار، این روش می تواند بین PTM های مختلف پپتیدها تمایز قائل شود.
تفاوت با روش های قبلی این است که این فناوری از الگوریتم های یادگیری عمیق برای تجزیه و تحلیل داده های پیچیده استفاده می کند. این مدل می تواند به طور قابل اعتماد امضاهای فعلی پپتیدها و انواع PTM آنها را شناسایی کند و یک روش سریع، خودکار و با دقت بالا برای طبقه بندی آنها ارائه دهد.