无探针、引物编程扩增子编码：基于固态纳米孔与深度神经网络解码的单反应多重核酸检测

《Advanced Science》：Probe-Free, Primer-Programmed Amplicon Encoding Enables Nanopore-Based Multiplex Detection With Deep Learning Decoding

　　

单反应多重核酸检测（NATs, nucleic acid testing）须同时共扩增多个靶标并区分产物混合物中的相应扩增子。多数传统测定依赖靶标特异性报告分子或其他外部编码元件实现这种区分。在此，研究人员介绍一种引物编程多重化策略，其中引物设计生成具有预定义长度的靶标相关扩增子，并利用纳米孔进行电读取。在概念验证实现中，一锅重组酶聚合酶扩增（RPA, recombinase polymerase amplification）从猴痘（Monkeypox, Mpox）、牛痘（Cowpox）、痘苗病毒（Vaccinia）和人RNase P生成四个具有预定义产物长度的扩增子。所得扩增子用玻璃纳米孔分析，单个易位事件由深度神经网络（DNN, deep neural network）基于源自纳米孔记录的六维特征集进行分类。事件级解码达到>95%准确率、>94.7%灵敏度和>98.3%特异性；对分类事件进行聚合后，在盲样中获得样本级判定，灵敏度>93.3%、特异性>93.9%，且在9个经聚合酶链反应（PCR, polymerase chain reaction）基准测试的样本中，定性判定与PCR结果一致。这些结果证明一种无探针多重化架构：靶标身份通过引物定义的扩增子设计进行编程，并利用DNN从所得多维纳米孔响应中解码，从而消除对靶标特异性报告分子化学的需求，并为基于未修饰扩增子的全电多重核酸检测开辟新机会。

论文解读：多重核酸检测（NATs, nucleic acid testing）是感染性疾病诊断的核心技术之一。许多临床综合征可由临床表现重叠的病原体引起，呼吸道感染、发热性疾病和皮疹综合征均为常见情形，共感染又进一步增加诊断与临床管理难度。单反应多重扩增可使病原靶标和内控在同一条件下共扩增，减少操作步骤并提高检测效率，因此被越来越多用于症候群诊断。然而，多数多重NATs通过外源编码赋予靶标身份，如定量PCR和数字PCR中带不同荧光团的序列特异性探针，以及荧光寿命编码、温度依赖特征、阵列或微珠空间条码等。此类策略的靶标身份由外部报告分子而非扩增产物本身编码，实际多重性能受可区分报告分子数量、光谱串扰、校准需求和光学检测通道可用性限制；提高多重水平还会增加引物与探针间寡核苷酸相互作用、扩增偏倚、试剂消耗、效率下降、动态范围压缩和靶标依赖的灵敏度变化。已有研究利用固态纳米孔单分子测量DNA，并通过设计DNA载体、DNA纳米阵列条码、位点特异性蛋白条码或工程化标签解码分子身份，但靶标识别信息常由外部载体结构、亲和结合、偶联化学或工程化标记引入，可能需额外组装或结合步骤，且不完全的靶标–载体关联会降低有信息传感事件比例。为此，研究人员开展无探针、引物编程扩增子编码研究：以未修饰扩增产物本身作为标识，通过引物设计生成预定义长度的靶标相关扩增子，用玻璃纳米孔电读取，并以DNN解码多维信号，从而避免靶标特异性报告化学。该研究发表于《Advanced Science》，其意义在于建立一种全电、无探针的多重核酸检测概念验证架构，使同一扩增分子既作为扩增产物又作为纳米孔传感与解码对象。

方法概述：单反应重组酶聚合酶扩增（RPA, recombinase polymerase amplification）在39°C、20 min生成预定义长度扩增子，以3%琼脂糖凝胶和聚合酶链反应（PCR, polymerase chain reaction）验证；激光拉制石英玻璃纳米孔在1 M KCl、400 mV下记录电流–时间（I–t）信号，工作窗6.3–9.1 nm；提取I_B、I_RMS、ΔI、Δt、t、D六特征，DNN五分类A1–A4/非靶标（NT, non-target），按无模板对照（NTC, no-template control）事件率μ + 3σ作样本级判定。开发队列66样本/21孔（约7500事件），独立孔23样本/16孔（约1508事件），盲样62例。来源：Mpox DNA（VR-3270SD）与Cowpox DNA（VR-302）购自ATCC；人RNase P DNA（Hs RPP30 Positive Control, 10006626）与Vaccinia gBlocks购自IDT。

结果部分：
2.1 Framework for Primer-Programmed Multiplex Amplicon Decoding and Sample Calling（引物编程多重扩增子解码与样本判定框架）：研究建立从单分子电流事件到样本级阴阳性判定的流程，即四靶单反应RPA产生长度定义扩增子，玻璃纳米孔记录，提取六特征，DNN分为A1–A4和NT，再按NTC的μ + 3σ阈值聚合。通过阻断电流幅值–滞留时间（ΔI–Δt）分布和事件电荷亏缺（ECD, event charge deficit）分析发现单/双参数描述重叠明显、低维纳米孔描述不足以稳健解码；t-分布随机邻域嵌入（t-SNE, t-distributed stochastic neighbor embedding）显示原始六特征仅部分可分，而DNN倒数第二层表示类间组织更清晰；NTC基线分布近似正态，固定阈值在额外独立NTC中均判为阴性。结论是该多维DNN框架可将事件级分类转化为样本级判定。

2.2 Design and Validation of the Primer-Programmed Multiplex Assay（引物编程多重RPA测定设计与验证）：设计Mpox（M）110 bp、Cowpox（C）241 bp、人RNase P（R）310 bp和Vaccinia（V）449 bp四个靶标相关扩增子，筛选引物互作自由能>?9 kcal mol^?1以减少交叉反应，PCR后凝胶未见明显交叉扩增；RPA凝胶显示单重、双重重、三重重和四重产物条带与预期组合一致，NTC存在低水平非特异RPA背景。结论是四靶单反应RPA可同时扩增并为下游纳米孔分析提供长度定义产物，但该研究未定义最小可分辨扩增子长度间距。

2.3 Optimization of Nanopore Sensor Working Window（纳米孔传感器工作窗优化）：通过50–500 bp DNA片段测试纳米孔检测范围，75 bp片段在测试条件下可产生高于电噪声的可检测易位事件；以电流–电压（I–V）线性响应和电导估算孔径，三个孔径组的重复孔变异系数（CV, coefficient of variation）为5.1%–8.9%；识别堵塞、低灵敏和最优传感三种区域。结论是在测试条件下6.3–9.1 nm孔径和100–500 bp片段构成稳定采集的工作窗。

2.4 Deep Neural Network Decoding of Nanopore Translocation Events（纳米孔易位事件的深度神经网络解码）：以66样本、21个纳米孔、约7500个事件开发模型，筛选I_B、I_RMS、ΔI、Δt、t、D六特征；DNN五分类准确率为96.7%，优于随机森林81.43%、支持向量机（SVM, support vector machine）80.50%和逻辑回归65.65%；最终采用512–256–128–64–32–16隐藏层结构，dropout为20%，学习率为10^?3，batch size为64。独立23样本、16个纳米孔、约1508个事件评估中，大多数预测位于混淆矩阵对角线，NT误分为靶类的比例为1.1%，真阳性率（TPR, true positive rate）为94.7%–98.9%，各类精确率、特异性、F1较高，受试者工作特征曲线下面积（ROC-AUC, area under the receiver operating characteristic curve）为0.99–1.00；留一孔评估准确率为81.6%–95.9%。结论是DNN可整合多维纳米孔信号并在独立孔上保持较高分类性能。

2.5 Integrated Analytical Workflow Benchmarking and Cross-Pore Consistency（集成分析流程基准与跨孔一致性）：用9个单重至四重样本将完整RPA–纳米孔–DNN流程与PCR比较，所有9个基准混合物的定性判定与PCR定义靶标组成一致，NTC保持阴性；在三个独立纳米孔P1、P2、P3上重复代表性单重、双重重、三重重和四重反应，样本级判定一致；按孔径分层，6.3、7.5、8.6和9.1 nm下事件级准确率分别为92.9%、97.4%、96.8%和97.8%，11.2 nm额外比较为93.9%。结论是测试条件下该流程可实现跨孔一致的样本级多重判定，且DNN性能在选定工作窗内保持较高。

2.6 Multiplex Target Identification in Blinded Samples（盲样多重靶标识别）：在62例盲样队列中，样本制备和物理纳米孔均未参与模型开发；共观察到6处差异，包括2个假阳性和4个假阴性，主要与接近NTC参考判定阈值的边界事件率或偶发事件级误分类有关，而非系统性通道交叉。灵敏度为M 96.3%、C 96.2%、R 100%、V 93.3%，特异性为M 100%、C 100%、R 93.9%、V 100%。非对称多靶混合输入跨10¹–10⁵ copies μL^?1，样本#49–#54的模型判定与预期组成匹配，未漏检低丰度靶标且无假阳性。结论是该盲样合成样本队列中，引物编程多重RPA结合纳米孔传感与DNN事件解码可获得准确、可重复的样本级多重判定；这些结果为概念验证性能，不等同于临床性能。

讨论与结论：该研究讨论的核心在于，靶标身份可由引物定义的扩增子长度和未修饰产物的多维纳米孔响应编码，而非由靶标特异性报告探针、工程化载体、亲和标签或扩增后条码化学引入；因此无需靶标特异性报告化学即可实现多重识别。当前四靶合成系统仅证明编码与解码框架可行性，并未定义最小可分辨扩增子长度间距或最大多重容量；未来可扩展性取决于可用扩增子长度编码空间、多重扩增稳健性和纳米孔分辨率，临床转化还需在代表性生物基质中开展定量验证、更广浓度依赖性测试并系统评估靶标特异扩增效率；改进易位控制和信号分辨率可能支持在扩增兼容尺寸范围内实现更密集的引物编程扩增子编码。研究结论翻译如下：本工作证明，引物编程扩增子编码是一种无探针的多重核酸识别策略，其将一锅RPA与固态纳米孔读出及基于深度学习的解码相结合。具有预定义产物长度的引物编程扩增子可对Mpox、Cowpox、Vaccinia和人RNase P进行直接电识别，而不依赖靶标特异性报告探针或多通道光学检测，同时6.3–9.1 nm的测定特异性纳米孔工作窗支持稳定信号采集。使用DNN的多维特征分类在事件级取得高性能，真阳性率为94.7%–98.9%，并具有较高的精确率、灵敏度、特异性和F1分数。利用NTC参考判定规则对事件级预测进行聚合，可实现稳健的样本级判定，在9个基准混合物中定性判定与PCR定义的靶标组成一致，并在独立纳米孔间表现可重复；盲样测试显示灵敏度为93.3%–100%、特异性为93.9%–100%。本工作证明一种多重化架构，其中靶标身份编码在扩增产物本身的物理性质中，而非外部报告分子中。当前四靶合成系统确立了编码和解码框架的可行性，但未定义最小可分辨扩增子长度间距或最大多重容量。未来可扩展性将取决于可用扩增子长度编码空间、多重扩增稳健性和纳米孔分辨率，而临床转化将需要在代表性生物基质中进行定量验证、更广泛的浓度依赖性测试，并系统评估靶标特异性扩增效率。改进的易位控制和信号分辨率可能使在扩增兼容尺寸范围内实现更密集的引物编程扩增子编码。