Discrimination directe des biomolécules dans des échantillons mixtes à l'aide de nanogap

Rapports scientifiques volume 13, Numéro d'article : 9103 (2023) Citer cet article

1 Altmétrique

Détails des métriques

Dans les mesures d'une seule molécule, les électrodes métalliques nanogap mesurent directement le courant d'une seule molécule. Cette technique a été activement étudiée en tant que nouvelle méthode de détection pour une variété d'échantillons. L'apprentissage automatique a été appliqué pour analyser les signaux dérivés de molécules uniques afin d'améliorer la précision de l'identification. Cependant, les méthodes d'identification conventionnelles présentent des inconvénients, tels que l'exigence de données à mesurer pour chaque molécule cible et la variation de la structure électronique de l'électrode nanogap. Dans cette étude, nous rapportons une technique d'identification des molécules basée sur des données de mesure d'une seule molécule mesurées uniquement dans des solutions d'échantillons mixtes. Par rapport aux méthodes conventionnelles qui nécessitent des classificateurs de formation sur les données de mesure d'échantillons individuels, notre méthode proposée prédit avec succès le rapport de mélange à partir des données de mesure dans des solutions mixtes. Cela démontre la possibilité d'identifier des molécules uniques en utilisant uniquement les données de solutions mixtes, sans formation préalable. Cette méthode devrait être particulièrement utile pour l'analyse d'échantillons biologiques dans lesquels les méthodes de séparation chimique ne sont pas applicables, augmentant ainsi le potentiel de mesures d'une seule molécule à être largement adoptées comme technique analytique.

La mesure directe d'échantillons complexes offre des avantages tels que des économies de temps et d'argent en minimisant les étapes de préparation des échantillons et la perte d'échantillons, tout en permettant la détection d'une large gamme de molécules. La mesure d'une seule molécule attire l'attention en tant que nouvelle méthode de mesure de détection/quantification moléculaire car dans cette méthode, une molécule entre les nanoélectrodes est directement mesurée1,2,3. Dans la méthode de rupture de jonction4,5,6,7, une méthode de mesure électrique à une seule molécule, un nanogap métallique est formé en cassant et en formant des jonctions à plusieurs reprises. Une seule molécule est détectée en mesurant le courant tunnel qui se produit lorsqu'une molécule traverse le nanogap. Les mesures d'une seule molécule font l'objet de recherches actives pour le développement de dispositifs moléculaires2,8,9,10,11,12,13. Depuis que le groupe de Di Ventra a théoriquement proposé le potentiel de séquençage de l'ADN et de l'ARN, les mesures d'une seule molécule ont reçu une attention particulière en tant que méthode analytique en raison de leur débit élevé, de leur faible limite de détection et de leur capacité à effectuer des mesures sans étapes de prétraitement3,14,15. À ce jour, notre groupe a rapporté des mesures de conductance des nucléobases d'ADN et d'ARN et a démontré l'applicabilité des mesures d'une seule molécule en tant que méthode analytique16,17,18. Les molécules cibles ne se limitent pas à l'ADN et à l'ARN et peuvent être étendues à diverses molécules telles que les acides aminés19,20, les peptides21,22, les protéines23,24,25, les neurotransmetteurs26, le glucose27 et le NADH28. De plus, les cibles de mesure ne se limitent pas aux biomolécules. Les mesures d'une seule molécule devraient avoir un large éventail d'applications ; par exemple, le potentiel de détection d'explosifs29. Bien que la conductance de différentes molécules puisse être mesurée avec des mesures d'une seule molécule, la conductance d'une seule molécule est très variable30,31,32,33. Par conséquent, l'évaluation statistique des signaux d'une seule molécule est essentielle pour une identification moléculaire fiable. La plupart des analyses basées sur des histogrammes de conductance typiques ne fournissent que des informations de conductance statistiques sur la conductance d'une seule molécule. Le chevauchement des histogrammes de conductance entraîne une faible précision dans la discrimination d'une seule molécule. L'application de l'apprentissage automatique aux mesures d'une seule molécule est une méthode prometteuse pour résoudre ces problèmes. L'analyse basée sur l'apprentissage automatique a amélioré la précision de la discrimination des mesures d'une seule molécule26,34,35,36,37,38. Cependant, les approches conventionnelles d'apprentissage automatique nécessitent des données de formation obtenues à partir de solutions contenant une seule espèce chimique pour chaque molécule cible. Compte tenu de l'application de mesures d'une seule molécule pour détecter des biomolécules ou des cibles spécifiques, la préparation d'une référence contenant un seul échantillon à partir d'une solution contenant des impuretés pour toutes les molécules est parfois difficile. Cependant, la préparation d'échantillons avec des concentrations variables des molécules cibles dans des solutions impures peut être relativement plus facile. Par exemple, en favorisant ou en inhibant l'émission de la cible dans des échantillons biologiques ou en ajoutant une molécule de référence dans une solution d'échantillon. Même si une solution contenant uniquement une molécule cible spécifique peut être mesurée, le classificateur d'apprentissage automatique construit avec les données d'apprentissage peut ne pas être applicable aux échantillons car l'environnement de mesure des données d'apprentissage peut être différent de celui de l'échantillon. Pour ces raisons, le développement d'une méthode de discrimination directe à partir d'échantillons mixtes sans échantillons cibles monospécifiques représente une avancée significative dans le domaine des mesures de molécules uniques. L'approche a un potentiel important pour fournir des informations sur la détection de molécules biologiques et d'autres cibles dans des échantillons complexes. Ici, le but de cette étude était le développement d'une méthode analytique pour identifier des molécules basées uniquement avec des solutions mixtes. Comme le montre la figure 1, ciblant le dGMP et le dTMP, qui sont déjà connus pour être identifiables par des mesures de molécules uniques en solution pure et une analyse conventionnelle basée sur l'apprentissage automatique, nous avons développé une méthode pour déterminer le rapport de concentration des solutions mixtes à partir de leurs mélanges uniquement.

Organigramme de la classification d'une seule molécule. Pour les mesures de courant d'une seule molécule, les solutions d'échantillon ont été injectées dans un puits PDMS et les puces ont été pliées avec une barre de poussée finement contrôlée avec un dispositif piézoélectrique pour former un nanogap, après quoi le courant a été mesuré. La case verte représente la méthode conventionnelle, tandis que la case orange représente les nouveaux concepts. Les lignes pleines montrent le processus pour chaque échantillon individuel, et les lignes pointillées montrent le processus pour le mélange.

Les molécules cibles de cette étude sont deux nucléotides d'ADN, la désoxyguanosine monophosphate (dGMP) et la thymidine monophosphate (dTMP). Ces cibles ont été sélectionnées comme systèmes modèles pour l'identification du signal d'une seule molécule à l'aide de l'apprentissage automatique plutôt que pour leur applicabilité dans l'identification de mélanges de deux molécules. Les nucléotides peuvent être identifiés par des mesures de molécules uniques et ont déjà été signalés comme molécules cibles dans diverses études15,17,36. Les figures 2a, b montrent les structures moléculaires du dGMP et du dTMP, respectivement. Comme le montre la figure 2c, d, un signal d'impulsion de courant est généré lorsqu'une molécule individuelle traverse le nanogap. Les figures 2c, d montrent des histogrammes des valeurs de courant maximum (Ip). Les courants moyens pour dGMP et dTMP sont de 32 pA et 25 pA sous une tension de polarisation de 100 mV pour dGMP et dTMP, respectivement. Le dGMP présente une conductance plus élevée que le dTMP parce que son niveau HOMO est plus proche du niveau Au Fermi39, qui est l'orbite de conduction pour le dGMP plutôt que pour le dTMP. Bien que la conductance moyenne des deux molécules montre une nette différence, leurs histogrammes Ip présentent un chevauchement. Les deux histogrammes présentent des signaux à faible courant à 20 pA. Le signal à faible courant a été causé par la structure de pontage à molécule unique entre le nanogap. Le transport d'électrons via l'orbite moléculaire inférieure du sucre ribose provoque un courant plus faible40. Le grand chevauchement indique que s'appuyer uniquement sur des méthodes d'analyse basées sur des histogrammes qui dépendent de Ip est insuffisant pour une discrimination précise et que l'utilisation de l'apprentissage automatique est nécessaire.

Résultats des mesures de dGMP et de dTMP sur une seule molécule. ( a ), ( b ) Structure moléculaire du dGMP et du dTMP, respectivement. (c), (d) Trois impulsions de courant individuelles de dGMP et de dTMP. (e), (f) Histogrammes du courant maximal (Ip) pour dGMP et dTMP, respectivement. Chaque courant est mesuré sous un biais de 100 mV.

À titre de comparaison avec la méthode proposée, le rapport de mélange du mélange a été prédit à l'aide d'une méthode de classification conventionnelle basée sur l'apprentissage automatique. Dans la méthode conventionnelle, le classificateur d'apprentissage automatique est d'abord formé à partir des signaux de courant à molécule unique obtenus à partir des mesures de chaque solution à cible unique avec l'étiquette des noms moléculaires. Le classificateur d'apprentissage automatique identifie ensuite les signaux de courant obtenus à partir du mélange en fonction des caractéristiques apprises de chaque signal moléculaire. Enfin, chaque marqueur moléculaire prédit des données de la solution mixte est compté et le rapport de concentration est déterminé comme le rapport du nombre de signaux pour chaque molécule. La figure 3a montre le processus de validation de la formation de classificateur d'apprentissage automatique. Le processus de validation de l'apprentissage automatique consiste en la mesure de la jonction de rupture contrôlable mécaniquement (MCBJ), l'extraction du signal, l'extraction des caractéristiques, la formation et l'identification. Dans cette étude, des vecteurs à 13 dimensions constitués de Ip, de la durée (td) et du facteur de courant normalisé à 10 dimensions, qui ont été utilisés dans les méthodes précédemment rapportées, sont utilisés comme caractéristiques20,26,35,36. Les facteurs de courant normalisés à 10 dimensions sont définis comme la valeur de courant moyenne normalisée par la valeur de courant maximale de chacune des sections à 10 temps, comme illustré à la Fig. 3b. Une méthode de validation croisée (CV) de 10 fois a été utilisée pour la vérification, la formation et la prédiction, comme illustré à la Fig. S1 dans Informations supplémentaires. Dans le CV 10 fois, toutes les données sont divisées en dix sous-ensembles, et un sous-ensemble est utilisé comme données de test, tandis que l'identification est entraînée par les autres sous-ensembles dans une boucle de 10 temps pour garantir que toutes les données sont testées une fois. Les résultats de validation pour les deux molécules mesurées dans des solutions pures sont présentés dans la matrice de confusion illustrée à la Fig. 3c. La mesure F, un indice de performance de classification, est de 0,78. Cette approche démontre l'identifiabilité d'un classificateur d'apprentissage automatique formé sur des données mesurées à partir de solutions contenant une seule espèce chimique. Pour confirmer la capacité discriminative du classificateur, le rapport de mélange de la cible a été prédit à l'aide d'un classificateur d'apprentissage automatique qui a appris le signal actuel de chaque molécule à l'étape précédente. Les figures 4a,b montrent les histogrammes de Ip mesurés dans les deux mélanges dGMP:dTMP = 3:1 et dGMP:dTMP = 1:3, respectivement. La solution dGMP:dTMP = 3:1, qui contient davantage de dGMP plus conducteur, présente une conductance plus élevée que la solution dGMP:dTMP = 1:3, qui contient davantage de dTMP moins conducteur. La figure 4c montre le processus d'identification des signaux de courant obtenus dans le mélange à l'aide du classificateur d'apprentissage automatique formé à partir des signaux de courant de chaque cible à l'étape précédente pour prédire le rapport de mélange. En utilisant ce processus, le classificateur d'apprentissage automatique a prédit des rapports de mélange de 1,7: 1 et 1: 1, 6 pour les signaux obtenus à partir des solutions dGMP: dTMP = 3: 1 et dGMP: dTMP = 1: 3, respectivement, comme illustré à la Fig. 4d. Comme le montre la figure 3c, la précision d'identification de chaque nucléotide varie individuellement, ce qui peut entraîner une sous-estimation du rapport de prédiction des nucléotides abondants.

Méthodes d'apprentissage automatique conventionnelles et résultats d'identification. (a) Processus de formation d'apprentissage automatique pour des solutions pures en utilisant la méthode conventionnelle. Les caractéristiques comprennent des facteurs tels que le courant de crête (Ip), la durée (td), le courant moyen (Iavg.) et le courant normalisé à 10 dimensions pour chaque signal d'impulsion. ( b ) Impulsion de courant individuelle à molécule unique (ligne continue bleue) et définitions des caractéristiques. Les lignes pointillées noires montrent la zone de l'impulsion de courant divisée en dix parties le long de l'axe du temps. Les valeurs de courant moyennes (lignes pointillées rouges) de chaque partie divisée de I1 à I10 sont respectivement de 13,2, 38,3, 38,0, 43,5, 35,4, 44,1, 42,0, 34,3, 39,0 et 30,8 pA. Si signifie Ii normalisé par rapport à Ip. Les lignes continues vertes, rouges et roses représentent respectivement Ip, td et Iavg. ( c ) Matrice de confusion des prédictions de dGMP et de dTMP dans des solutions pures.

Processus et résultats de la prédiction du rapport de mélange de la cible à l'aide du classificateur formé sur le signal actuel de la molécule à l'étape précédente. (a), (b) Histogrammes Ip mesurés dans deux mélanges, dGMP:dTMP = 3:1 et dGMP:dTMP = 1:3, respectivement. (c) Le processus d'identification du signal actuel des mélanges à l'aide du classificateur d'apprentissage automatique formé sur le signal actuel de chaque cible pour prédire le rapport de mélange. (d) Les résultats de la prédiction du rapport de mélange des mélanges sur la base de données entraînées.

L'objectif principal de cette recherche est de développer une méthode permettant de distinguer les deux molécules à partir des données mesurées en utilisant uniquement des solutions mixtes. La relation entre les concentrations des deux mélanges, c'est-à-dire des solutions contenant plus de dGMP ou de dTMP, est connue. Les processus de mesure et d'identification de ce nouveau concept sont illustrés à la Fig. 5a. Les limites discriminatives des deux molécules ont été estimées directement à partir des données obtenues à partir des deux mélanges avec des données non étiquetées et une classification des données non étiquetées (UUC) basée sur l'estimation de la densité du noyau (KDE)41. La figure 5b montre un schéma conceptuel de l'UUC, une méthode pour déterminer les limites discriminantes à partir de données dans lesquelles les deux classes sont mélangées à des concentrations différentes. Sur la figure 5b, les couleurs bleue et rouge représentent deux types de mélanges. Les deux solutions contiennent des concentrations différentes des deux classes. Les classes sont inconnues à l'avance. Le but de l'UUC est de faire la distinction entre ces deux classes en fonction de la classe la plus abondante dans la solution. KDE est une technique statistique non paramétrique utilisée pour estimer la fonction de densité de probabilité dans un espace de caractéristiques directement à partir des données observées, comme le montre la figure 5c. Intuitivement, KDE calcule la densité de probabilité en ajoutant les noyaux gaussiens obtenus à partir de chaque point de données observé, de la même manière qu'un histogramme est créé en ajoutant des points de données. Cette méthode peut obtenir une distribution de densité de probabilité lisse avec moins de données que celle d'un histogramme. Dans cette étude, le noyau gaussien était centré sur les points de données observés. Dans la méthode UUC utilisée dans cette étude, les distributions de densité de probabilité des deux classes ont été déterminées par KDE par correction. Cette méthode est proposée pour une situation dans laquelle l'un des points de données ne contient que des classes positives. Cependant, parce que la méthode proposée est basée sur le principe que les régions de concentration plus élevée présentent des densités de probabilité plus élevées, elle peut également être appliquée à deux mélanges de données non marqués avec des relations de concentration connues. À des fins de comparaison avec la méthode conventionnelle, l'identification a été effectuée avec les mêmes caractéristiques extraites du même jeu de données que celui décrit dans la section précédente. Le classificateur d'apprentissage automatique UUC a été formé en utilisant uniquement les signaux des mélanges et a prédit les molécules, et les résultats sont présentés à la Fig. 5d. Les rapports de signaux correspondant aux rapports 3:1 et 1:3 de dGMP:dTMP ont été prédits comme étant de 3,2:1 et 1:3,5, respectivement. Les performances de la nouvelle méthode d'identification proposée dans cette étude sont comparées à celles des méthodes conventionnelles, comme le montre la figure 5e. Les structures électroniques des électrodes affectent la conductance d'une seule molécule. La variation de la structure électronique due à l'adsorption moléculaire sur la surface de l'électrode ou à différentes géométries des électrodes peut affecter les signaux d'une seule molécule42,43,44,45. Une grande variété de méthodes d'apprentissage automatique ont été développées ces dernières années. L'apprentissage non supervisé est applicable à l'identification de données sans étiquettes explicites, tout comme l'apprentissage supervisé. Cette méthode a été appliquée à la discrimination des traces I–z des mesures d'une seule molécule34. Cependant, les méthodes d'apprentissage non supervisées conventionnelles ne peuvent pas identifier de manière adéquate les données expérimentales des deux solutions, comme le montre SI.5. La nouvelle méthode UUC permet de discriminer deux molécules en mesurant uniquement les mélanges. La méthode est supposée empêcher la propagation des erreurs dues aux changements environnementaux et provoquer une discrimination de précision supérieure aux méthodes conventionnelles. La figure 5f montre le profil actuel de la solution dGMP:dTMP = 3:1 avec les résultats de prédiction moléculaire obtenus par la méthode UUC. Les signaux rouges et bleus indiquent respectivement les signaux dérivés du dGMP et du dTMP. Les signaux obtenus à partir des mélanges peuvent être discriminés individuellement.

(a) Processus de formation et d'identification avec des données provenant de mélanges uniquement. (b) Image schématique de l'UUC. Les couleurs rouge et bleu représentent deux types de mélanges avec des concentrations différentes des deux classes. Les cercles et les triangles représentent chaque classe. La méthode UUC détermine la courbe orange, qui représente la frontière entre deux classes. ( c ) Image schématique du KDE pour estimer la fonction de densité de probabilité dans l'espace des caractéristiques. Les points rouges et bleus et les lignes pointillées indiquent les points de données et leur noyau gaussien, respectivement. Les courbes pleines représentent la somme des lignes pointillées, qui représente l'estimation de la densité du noyau. (d) Le résultat de la prédiction du rapport de mélange de deux mélanges avec des données formées sur le mélange uniquement. (e) Comparaison des performances des nouvelles et anciennes méthodes par rapport au rapport de prédiction. ( f ) Le profil de courant résultant de l'identification du signal de chaque molécule individuellement (dans dGMP: dTMP = solution 3: 1). (g), (h) Histogrammes Ip basés sur les résultats d'identification des solutions dGMP:dTMP = 3:1 et dGMP:dTMP = 1:3, respectivement. Les barres rouges et bleues représentent les histogrammes prédits comme dGMP et dTMP, respectivement. Les traits pleins représentent la somme des deux histogrammes.

Dans la section précédente, les histogrammes de conductance de nucléotides individuels (Fig. 2) ont montré que le dGMP a une conductance plus élevée. En se concentrant sur les signaux individuels identifiés, le signal dGMP ne montre pas toujours une conductance plus élevée que le signal dTMP. Les algorithmes d'apprentissage automatique peuvent différencier les signaux en fonction de la conductance et de la forme du signal. En effet, les histogrammes actuels des résultats identifiés sont analysés statistiquement. Les histogrammes Ip des résultats identifiés des signaux obtenus à partir des solutions dGMP: dTMP = 3: 1 et dGMP: dTMP = 1: 3 sont illustrés à la Fig. 5g, h, respectivement. Les barres rouges et bleues représentent les histogrammes prédits comme dGMP et dTMP, respectivement. Les histogrammes confirment que la méthode UUC peut prédire les rapports de mélange et que le dGMP a une conductance plus élevée que le dTMP. Cela concorde avec les résultats de la mesure en solution pure. Notamment, cette nouvelle méthode permet la détermination des rapports de concentration en utilisant seulement deux solutions de mélange de concentrations inconnues. Cette technique est supposée applicable aux méthodes de détection moléculaire. Par exemple, cette technique peut être appliquée pour déterminer le rapport de concentration d'une molécule dans un échantillon biologique contenant un corps étranger en le comparant à un échantillon normal et un échantillon positif/négatif avec un témoin favorisant ou inhibant la molécule d'intérêt ou en mesurant la concentration de la molécule d'intérêt dans un échantillon de concentration inconnue et un échantillon auquel un échantillon de référence est ajouté. Le rapport de concentration de la molécule d'intérêt peut également être déterminé à partir d'échantillons positifs/négatifs de la molécule d'intérêt avec un témoin favorisant ou inhibant la molécule d'intérêt.

Dans cette étude, nous avons développé une nouvelle méthode pour identifier les molécules en utilisant la mesure d'une seule molécule de solutions mixtes uniquement et une méthode de discrimination pour deux types de données non étiquetées en utilisant l'estimation de la densité du noyau. Par rapport à la méthode traditionnelle, notre approche a montré une meilleure précision dans la prédiction de la composition des solutions mixtes. La technique développée dans cette étude pour identifier les molécules cibles dans des solutions mixtes sans formation d'échantillons individuels devrait avoir de larges applications pour diverses molécules dans le domaine de la mesure d'une seule molécule.

Le monophosphate de désoxyguanosine (dGMP, Sigma-Aldrich) et le monophosphate de désoxythymidine (dGTP, Sigma-Aldrich) ont été dilués dans de l'eau Milli-Q sans autre processus de purification. La concentration de chaque solution de dGMP et de dTMP utilisée dans la mesure était de 10 µM. Les mesures de dGMP:dTMP = 3:1 ont utilisé le mélange de 750 μM de dGMP et de 250 μM de dTMP, et les mesures de dGMP:dTMP = 1:3 ont utilisé la solution de 250 μM de dGMP et 750 μM de dTMP. Des puits de polydiméthylsiloxane (PDMS) ont été fabriqués et traités avec un plasma d'oxygène pendant 10 s, attachés au dispositif d'électrode nanogap MCBJ et traités dans le four à vide à 90 ° C pendant 60 min.

La technique MCBJ a été appliquée pour former des nanogaps d'or. Les fils d'or ont été déposés sur le substrat de silicium souple. Tout d'abord, un film mince de polyimide a été formé en tant que couche isolante sur le substrat de silicium. Des dizaines de motifs nanométriques ont été fabriqués par lithographie par faisceau d'électrons, et les fils d'or ont été déposés sur les motifs par dépôt chimique en phase vapeur assisté par plasma. Enfin, la couche de polyimide a été gravée à sec pour former le pont en fil d'or. Le substrat de fil d'or a été installé dans le système MCBJ et le changement de courant a été surveillé jusqu'à ce que les fils soient rompus mécaniquement en raison d'une flexion répétée par flexion en trois points et qu'une forte chute de courant apparaisse. Au cours de ce processus, le courant a été mesuré à l'aide du dispositif piézoélectrique pour contrôler avec précision la largeur de l'espace en temps réel et affiner la tige de poussée piézo-ajustée.

Les solutions ont été injectées dans du PDMS bien attaché au dispositif MCBJ. Une tension de 100 mV a été appliquée à l'électrode de solution pendant 5 min. Avant chaque mesure individuelle, une expérience de contrôle a été réalisée en injectant uniquement de l'eau Milli-Q. La distance interélectrode d du nanogap a été fixée à 0,58, 0,56 et 0,54 nm par la technique MCBJ.

Chacun des 830 signaux d'impulsion a été formé et classé avec l'apprentissage automatique supervisé du classificateur Random Forest (RF) dans la version scikit-learn 0.24.246. Dans le processus de validation, le CV de 10 fois a été réalisé et ses valeurs de moyenne et d'écart type ont fourni les ratios et les erreurs de classification. Les erreurs sont l'écart type de la classification 10 fois. Dans l'analyse de solutions mixtes, le classificateur d'apprentissage automatique supervisé RF a été formé avec 1000 signaux dGMP et dTMP chacun. Les signaux avec Ip > 20 pA et td > 1 ms ont été analysés. Les signaux des mélanges ont été classés un par un avec le classificateur formé. L'analyse a été effectuée à l'aide de Python 3.10.4. Les codes sources UUC et KDE pondérés ont été préparés par nous-mêmes en utilisant Python 3.10.4. Les 1000 signaux et caractéristiques des mélanges sont identiques aux méthodes conventionnelles. Le noyau gaussien a été adopté. La bande passante est déterminée par la règle de Silverman41.

Les données à l'appui des conclusions de cette étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable. La correspondance et les demandes de matériel doivent être adressées à MT

Li, Y., Yang, C. & Guo, X. Détection électrique d'une seule molécule : une voie prometteuse vers les limites fondamentales de la chimie et des sciences de la vie. Acc. Chim. Rés. 53, 159-169 (2020).

Article CAS PubMed Google Scholar

Xie, X. et al. Jonction monomoléculaire : une plate-forme fiable pour la surveillance des processus moléculaires physiques et chimiques. ACS Nano 16, 3476–3505 (2022).

Article CAS PubMed Google Scholar

Di Ventra, M. & Taniguchi, M. Décodage de l'ADN, de l'ARN et des peptides avec effet tunnel quantique. Nat. Nanotechnologie. 11, 117-126 (2016).

Article ADS PubMed Google Scholar

Martin, CA, Ding, D., Van Der Zant, HSJ et Van Ruitenbeek, JM Jonctions à rupture mécanique lithographique pour les mesures d'une seule molécule dans le vide : possibilités et limites. Nouveau J. Phys. 10, 065008 (2008).

Annonces d'article Google Scholar

Reed, MA, Zhou, C., Muller, CJ, Burgin, TP & Tour, JM Conductance d'une jonction moléculaire. Sciences 278, 1–3 (1997).

Article Google Scholar

Krans, JM et al. Contacts ponctuels à un atome. Phys. Rév. B 48, 14721–14724 (1993).

Article ADS CAS Google Scholar

Agraït, N., Yeyati, AL & van Ruitenbeek, JM Propriétés quantiques des conducteurs de taille atomique. Phys.Rep.377, 81–279 (2003).

Annonces d'article Google Scholar

Evers, F., Korytár, R., Tewari, S. & Van Ruitenbeek, JM Progrès et défis dans le transport d'électrons à une seule molécule. Rév. Mod. Phys. 92, 35001 (2020).

Article CAS Google Scholar

Bai, J., Li, X., Zhu, Z., Zheng, Y. et Hong, W. Transistors électrochimiques à molécule unique. Adv. Mater. 33, 1–20 (2021).

Article Google Scholar

Aradhya, SV & Venkataraman, L. Jonctions à une seule molécule au-delà du transport électronique. Nat. Nanotechnologie. 8, 399–410 (2013).

Article ADS CAS PubMed Google Scholar

Huang, C., Rudnev, AV, Hong, W. & Wandlowski, T. Break junction under electrochemical gating: Testbed for single-molecule electronics. Chim. Soc. Rév. 44, 889–901 (2015).

Article CAS PubMed Google Scholar

Su, TA, Neupane, M., Steigerwald, ML, Venkataraman, L. & Nuckolls, C. Principes chimiques de l'électronique à une seule molécule. Nat. Rév. Mater. https://doi.org/10.1038/natrevmats.2016.2 (2016).

Article Google Scholar

Song, H., Reed, MA et Lee, T. Dispositifs électroniques à molécule unique. Adv. Mater. 23, 1583-1608 (2011).

Article CAS PubMed Google Scholar

Zwolak, M. & Di Ventra, M. Colloque : Approches physiques du séquençage et de la détection de l'ADN. Rév. Mod. Phys. 80, 141–165 (2008).

Annonces d'article Google Scholar

Zwolak, M. & Di Ventra, M. Signature électronique des nucléotides d'ADN par transport transversal. Nano Lett. 5, 421–424 (2005).

Article ADS CAS PubMed Google Scholar

Ohshiro, T. et al. Observation directe des altérations de l'ADN induites par un perturbateur de l'ADN. Sci. Rép. 12, 1–9 (2022).

Article Google Scholar

Tsutsui, M., Taniguchi, M., Yokota, K. et Kawai, T. Identification de nucléotides uniques par effet tunnel. Nat. Nanotechnologie. 5, 286-290 (2010).

Article ADS CAS PubMed Google Scholar

Ohshiro, T. et al. Séquençage d'ARN à molécule unique pour la détection simultanée de m6A et 5mC. Sci. Rép. 11, 1–10 (2021).

Article Google Scholar

Zhao, Y. et al. Spectroscopie monomoléculaire d'acides aminés et de peptides par reconnaissance tunnel. Nat. Nanotechnologie. 9, 466–473 (2014).

Article ADS CAS PubMed PubMed Central Google Scholar

Ryu, J., Komoto, Y., Ohshiro, T. et Taniguchi, M. Classification d'une seule molécule d'acide aspartique et de leucine par reconnaissance moléculaire par liaison hydrogène et analyse de séries chronologiques. Chim. Asian J. 17, e202200179 (2022).

Google Scholar

Ohshiro, T. et al. Détection de modifications post-traductionnelles dans des peptides uniques à l'aide de courants à effet tunnel d'électrons. Nat. Nanotechnologie. 9, 835–840 (2014).

Article ADS CAS PubMed Google Scholar

Hihath, J. & Tao, N. Mesure rapide de la conductance d'une seule molécule. Nanotechnologie 19, 265204 (2008).

Article ADS PubMed Google Scholar

Zhang, B. et al. Observation des fluctuations géantes de conductance dans une protéine. Nano Futur. 1, 035002 (2017).

Annonces d'article Google Scholar

Zhang, B. et al. Rôle des contacts dans la conductance des protéines à longue distance. Proc. Natl. Acad. Sci. États-Unis 116, 5886–5891 (2019).

Article ADS CAS PubMed PubMed Central Google Scholar

Ruiz, MP et al. Bio-ingénierie d'une jonction monoprotéique. Confiture. Chim. Soc. 139, 15337–15346 (2017).

Article CAS PubMed Google Scholar

Komoto, Y. et al. Détection de neurotransmetteurs à résolution temporelle dans le tissu cérébral de souris à l'aide d'un nanogap d'intelligence artificielle. Sci. Rép. 10, 1–7 (2020).

Article Google Scholar

Nishino, T., Shiigi, H., Kiguchi, M. & Nagaoka, T. Détection spécifique d'une seule molécule de glucose dans une jonction tunnel de conception supramoléculaire. Chim. Commun. 53, 5212–5215 (2017).

Article CAS Google Scholar

Hu, Y. et al. Détermination de l'Ag[I] et du NADH à l'aide de sondes ratiométriques à conductance monomoléculaire. Capteurs ACS 6, 461–469 (2021).

Article CAS PubMed Google Scholar

Yu, P. et al. Capteurs à effet tunnel à molécule unique pour explosifs au nitrobenzène. Anal. Chim. 94, 12042–12050 (2022).

Article CAS PubMed Google Scholar

Zhu, Z. et al. Variations de conductance d'une seule molécule jusqu'à quatre ordres de grandeur via des électrodes de contact avec différents sites d'ancrage. J. Mater. Chim. C 9, 16192–16198 (2021).

Article CAS Google Scholar

Chen, F., Hihath, J., Huang, Z., Li, X. & Tao, NJ Mesure de la conductance d'une seule molécule. Annu. Rév. Phys. Chim. 58, 535-564 (2007).

Article ADS CAS PubMed Google Scholar

Stefani, D. et al. Grandes variations de conductance dans une jonction monomoléculaire mécanosensible. Nano Lett. 18, 5981–5988 (2018).

Article ADS CAS PubMed PubMed Central Google Scholar

Li, H. et al. Grandes variations de la conductance d'une seule molécule de silanes cycliques et bicycliques. Confiture. Chim. Soc. 140, 15080–15088 (2018).

Article CAS PubMed Google Scholar

Huang, F. et al. Classification automatique des données de transport de charge d'une seule molécule avec un algorithme d'apprentissage automatique non supervisé. Phys. Chim. Chim. Phys. 22, 1674-1681 (2020).

Article CAS PubMed Google Scholar

Komoto, Y., Ohshiro, T. & Taniguchi, M. Détection d'un marqueur de cancer associé à l'alcool par séquençage quantique à une seule molécule. Chim. Commun. 56, 14299–14302 (2020).

Article CAS Google Scholar

Taniguchi, M. et al. Identification de haute précision d'une seule molécule basée sur des informations sur une seule molécule dans une matrice bruitée. J.Phys. Chim. C 123, 15867–15873 (2019).

Article CAS Google Scholar

Bro-Jørgensen, W., Hamill, JM, Bro, R. & Solomon, GC Faire confiance à nos machines : validation de modèles d'apprentissage automatique pour des expériences de transport de molécules uniques. Chim. Soc. Rév. 51, 6875–6892 (2022).

Article PubMed PubMed Central Google Scholar

Magyarkuti, A., Balogh, N., Balogh, Z., Venkataraman, L. & Halbritter, A. Reconnaissance de caractéristiques non supervisée dans les données de jonction de rupture d'une seule molécule. Nanoscale 12, 8355–8363 (2020).

Article CAS PubMed Google Scholar

Ohshiro, T. et al. Reséquençage aléatoire électrique d'une seule molécule d'ADN et d'ARN. Sci. Rep. https://doi.org/10.1038/srep00501 (2012).

Article PubMed PubMed Central Google Scholar

Furuhata, T. et al. L'analogue de nucléotide hautement conducteur facilite l'appel de base dans le séquençage d'ADN basé sur le tunnel quantique. ACS Nano 13, 5028–5035 (2019).

Article CAS PubMed Google Scholar

Yoshida, T., Washio, T., Ohshiro, T. et Taniguchi, M. Classification à partir de données positives et non étiquetées basée sur l'invariance de vraisemblance pour la mesure. Renseignement. Analyse des données. 25, 57–79 (2021).

Article Google Scholar

Kaneko, S. et al. Identification du site d'adsorption moléculaire d'une jonction de molécule unique grâce à des études combinées de Raman et de conductance. Chim. Sci. 10, 6261–6269 (2019).

Article CAS PubMed PubMed Central Google Scholar

Bekyarova, E. et al. Propriétés électroniques des réseaux de nanotubes de carbone à paroi unique. Confiture. Chim. Soc. 127, 5990–5995 (2005).

Article CAS PubMed Google Scholar

Li, C. et al. Transport de charges dans des jonctions uniques Au|alcanedithiol|Au : géométries de coordination et degrés de liberté conformationnels. Confiture. Chim. Soc. 130, 318–326 (2008).

Article CAS PubMed Google Scholar

Bamberger, ND et al. Au-delà des simples relations structure-fonction : l'interaction de la géométrie, de la structure électronique et du couplage molécule/électrode dans les jonctions à une seule molécule. J.Phys. Chim. C 126, 6653–6661 (2022).

Article CAS Google Scholar

Pedregosa, F. et al. Scikit-learn : Apprentissage automatique en Python. J.Mach. Apprendre. Rés. 12, 2825–2830 (2011).

MathSciNet MATHGoogle Scholar

Télécharger les références

Ce travail a été soutenu par la Japan Society for the Promotion of Science (JSPS) KAKENHI Grant Numbers 19H00852, 21H01741, 22K14566 et Japan Science and Technology Agency (JST) Core Research for Evolutional Science and Technology (CREST) ​​Grant Number JPMJCR1666 et JST Support for Pioneering Research Initiated by the Next Generation (SPRING) Grant Number JPMJSP2138, Japon. Nous tenons à remercier Editage (www.editage.com) pour l'édition en anglais.

SANKEN, Université d'Osaka, 8-1 Mihogaoka, Ibaraki, Osaka, 567-0047, Japon

Jiho Ryu, Yuki Komoto, Takahito Ohshiro et Masateru Taniguchi

Centre de recherche sur l'intelligence artificielle, Université d'Osaka, Ibaraki, Osaka, 567-0047, Japon

Yuki Komoto

Integrated Frontier Research for Medical Science Division, Institute for Open and Transdisciplinary Research Initiative (OTRI), Université d'Osaka, Ibaraki, Osaka, 567-0047, Japon

Yuki Komoto

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

JR, YK, TO et MT ont planifié et conçu les expériences. JR, YK et TO ont participé à la fabrication de MCBJ et à des mesures électriques d'une seule molécule. JR et YK ont effectué une analyse des données. JR, YK, TO et MT ont co-écrit l'article.

Correspondance à Masateru Taniguchi.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Ryu, J., Komoto, Y., Ohshiro, T. et al. Discrimination directe des biomolécules dans des échantillons mixtes à l'aide de la mesure électrique d'une seule molécule à base de nanogap. Sci Rep 13, 9103 (2023). https://doi.org/10.1038/s41598-023-35724-1

Télécharger la citation

Reçu : 27 mars 2023

Accepté : 23 mai 2023

Publié: 05 juin 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.