利用电子隧穿电流对氨基酸磷酸化进行单分子检测:朝向神经退行性疾病诊断的前进

《Nanoscale》:Single-molecule detection of amino acid phosphorylation using electron tunnelling currents: toward neurodegenerative disease diagnosis

【字体: 大 中 小 】 时间:2026年05月06日 来源:Nanoscale 5.1

编辑推荐:

  蛋白质磷酸化是最常见的翻译后修饰之一,它调节着生物功能,其失调与阿尔茨海默病和帕金森病等神经退行性疾病密切相关。尽管进行了大量研究,但在单分子水平上直接检测磷酸化仍然具有挑战性,因为传统的质谱法和基于抗体的检测方法需要复杂的预处理步骤,并且无法全面解析位点特异性的修饰。为了解决这

  蛋白质磷酸化是最常见的翻译后修饰之一,它调节着生物功能,其失调与阿尔茨海默病和帕金森病等神经退行性疾病密切相关。尽管进行了大量研究,但在单分子水平上直接检测磷酸化仍然具有挑战性,因为传统的质谱法和基于抗体的检测方法需要复杂的预处理步骤,并且无法全面解析位点特异性的修饰。为了解决这一挑战,我们采用了机械可控断裂结(MCBJ)测量技术来探测丝氨酸(Ser)、苏氨酸(Thr)、酪氨酸(Tyr)及其磷酸化对应物的单分子电导率。观察到不同的电导率趋势,这反映了磷酸基团替代对电子状态的影响。密度泛函理论(DFT)计算表明,磷酸化引起的HOMO能级变化和π-共轭变化是导致电导率变化的原因。此外,结合机器学习分类的统计分析能够高精度地区分磷酸化和非磷酸化的氨基酸,证明了单分子电信号中含有足够的分子信息来识别磷酸化。

1. 引言
异常翻译后修饰蛋白质的积累与阿尔茨海默病和帕金森病等神经退行性疾病的发病有关。在各种翻译后修饰(PTMs)中,磷酸化引起了广泛的关注。将磷酸基团引入含有羟基的氨基酸(即丝氨酸、苏氨酸和酪氨酸)中可以改变蛋白质的结构和溶解性,因此被广泛研究以更好地理解疾病机制并开发治疗策略。例如,在阿尔茨海默病中,微管相关tau蛋白中Ser和Thr残基的过度磷酸化会降低其与微管的亲和力,导致tau蛋白在细胞内的积累。虽然Ser的磷酸化长期以来一直是神经退行性疾病的重点研究对象,但最近的研究也表明Tyr的磷酸化也促进了疾病的进展。尽管单个位点的磷酸化可能影响较小,但多个同时发生的磷酸化事件有时会导致蛋白质聚集倾向发生显著变化。因此,评估多个氨基酸残基的磷酸化对于理解神经退行性疾病的发病机制至关重要。传统的质谱法(MS)和基于抗体的检测方法被用来检测蛋白质磷酸化。尽管质谱法能够实现高灵敏度的识别,但磷酸化肽的丰度通常较低且离子化效率差,需要复杂的预处理步骤,如富集和纯化。此外,位置异构的磷酸肽难以区分。另一方面,基于抗体的方法对特定目标有效,但受到难以制备能特异性识别磷酸化残基的抗体的限制,使得全面分析变得具有挑战性。为了克服这些限制,我们关注了单分子电测量作为一种新的磷酸化检测方法。在这种技术中,通过纳米光刻制造的金属纳米线被机械性地断裂,形成一个纳米级的间隙电极,可以直接测量单个分子介导的电流。此前已经使用单分子测量技术表征了核酸、氨基酸、磷酸化酪氨酸和磷酸化肽的电导率。因此,这种方法有望用于同时识别磷酸化的氨基酸,包括在疾病研究中特别感兴趣的丝氨酸和苏氨酸。最近的研究表明,将机器学习算法应用于单分子信号可以提高区分精度。本研究建立了一种用于氨基酸磷酸化的电子读数方法,并为将单分子电技术扩展到蛋白质修饰的定量和测序导向分析提供了概念验证。

2. 方法
2.1 样品制备
将l-丝氨酸(TCI,≥99%)、l-(-)-苏氨酸(TCI,≥99%)、l-(-)-酪氨酸(TCI,≥98.5%)、O-磷酸-l-丝氨酸(Sigma-Aldrich,≥98%)、O-磷酸-l-苏氨酸(Cayman,≥95%)和O-磷酸-l-酪氨酸(TCI,≥97%)溶解在MillQ水中,制备1 μM溶液。

2.2 设备制备
MCBJ设备的示意图如图1所示。在薄硅基板上通过旋涂法涂覆聚酰亚胺薄膜作为绝缘层。然后通过电子束光刻在硅基板上绘制金纳米线。接着,通过化学气相沉积在金纳米线上涂覆SiO2薄膜。金纳米线最窄的部分为几十纳米。通过干法刻蚀去除金纳米线下的聚酰亚胺层,形成独立的金线。如补充信息(SI)中所述,将PDMS溶液池连接到基板上。

2.3 电测量
单分子电导率测量按照先前报道的方法进行。在室温条件下,通过机械弯曲带有偏压100 mV的薄硅基板上光刻制作的金纳米线来断裂它,从而形成单分子电容器。在整个断裂过程中,使用皮安表(Keithley 6487)监测结的电导率(G)。观察到一系列大约G0 = 2e2/h(其中e和h分别为基本电荷和普朗克常数)的电导率跳变,最终电导率为1G0。在达到1G0状态几秒后,金原子在纳米线中自然断裂,形成纳米间隙。间隙大小通过压电偏压控制,间隙宽度分别为0.56纳米和0.58纳米。间隙距离是根据基线隧穿电流估算的,如补充信息中所述。

2.4 理论计算
为了准确评估最高占据分子轨道(HOMO)能量(作为分子电导率的关键指标),在长程校正的混合功能水平上对水溶液中的分子进行了密度泛函理论(DFT)计算。初始的三维结构在ChemDraw 23.1.1中绘制并转换为笛卡尔坐标。基态结构计算为单一对称电离子,非磷酸化残基(Ser、Thr和Tyr)的净电荷为0,而磷酸化残基(pSer、pThr和pTyr)的净电荷为-2。然后使用Avogadro 1.2.030中的通用力场(UFF)进行初步几何优化,以消除严重的空间碰撞。随后的量子化学计算在东京科学研究所的TSUBAME 4.0超级计算系统上进行,使用了Gaussian 16 Rev. C.02.31。几何优化和频率分析在长程校正的混合DFT水平(ωB97X-D/def2-TZVPP32–34)上进行,通过IEFPCM连续介质模型考虑了水溶液的效应。随后的几何优化和频率分析在ωB97X-D/def2-TZVPP水平上进行,使用了SMD隐式溶剂模型;没有出现虚频,验证了所有结构都是真实的最小值。

2.5 机器学习识别
使用scikit-learn库中的XGBoost分类器进行机器学习分析。采用了随机森林分类器的默认超参数。分析使用Python 3.10.9和scikit-learn库版本1.2.1以及xgboost库版本1.7.5进行。

3. 结果与讨论
图2显示了每种分子获得的电流-时间曲线。图2(a, c, e, g, i和k)显示了300秒内的电流轨迹。与补充信息3中显示的空测相比,所有氨基酸和磷酸化氨基酸都观察到了脉冲电流信号,且频率更高。图2(b, d, f, h, j和l)展示了代表性脉冲信号的放大视图。在之前的单分子氨基酸测量中,主要观察到矩形脉冲信号。本研究的结果与氨基酸测量的研究结果一致。对于所有分子,与空测相比这些信号的频繁出现支持了观察到的脉冲来源于目标分子。成功地在单分子水平上检测到了磷酸化和非磷酸化的氨基酸,证明了这种方法在单分子区分氨基酸磷酸化方面的潜力。

图2显示了单氨基酸测量的电流-时间曲线。 (a, c, e, g, i和k) 表示整个测量周期的原始电流轨迹。 (b, d, f, h, j和l) 表示单分子脉冲信号的放大视图。 (a, b), (c, d), (e, f), (g, h), (i, j) 和 (k, l) 分别对应于Ser、Thr、Tyr、pSer、pThr和pTyr。电测量在100 mV的偏压下进行。众所周知,由于分子取向和电极结构的差异,单分子测量获得的信号在电导率上存在固有的变异性。因此,仅基于单个信号难以讨论单分子电导率的特性,需要对所有脉冲信号进行统计分析。表1总结了每种氨基酸的最大电流值(Ip)的平均电导率。Ip定义为补充信息S3中所示的每个脉冲信号的最大电流。对于Ser和Thr,磷酸化后平均电导率降低,而Tyr在磷酸化后的电导率增加。

为了进一步分析信号变化,图3(a–f)显示了最大电流Ip的直方图以及Ip与脉冲持续时间(Td)的二维直方图。对于Ser和Thr,磷酸化后高电导率信号降低,而对于Tyr则增加。然而,磷酸化和非磷酸化物种之间的信号分布统计差异较小,直方图大致重叠。为了更好地可视化磷酸化引起的微妙变化,我们进行了额外的分析。图3(g–i)显示了磷酸化和非磷酸化氨基酸之间的概率密度差异。在这种分析中,使用核密度估计(KDE)获得了两种氨基酸及其磷酸化对应物的概率密度图。KDE通过对观测数据点上放置的高斯核求和来估计总体概率密度。通过从磷酸化氨基酸的密度图中减去氨基酸的密度图,我们可以识别出某一物种出现更频繁的区域。在图3(g–i)中,正值(红色)表示磷酸化氨基酸出现更频繁的区域,而负值(蓝色)表示非磷酸化氨基酸更可能出现的区域。这些热图表明,磷酸化后Ser和Thr的低电导率区域的概率密度增加,而Tyr的高电导率区域的概率密度增加。因此,基于KDE的概率密度分析支持了平均电导率结果所观察到的趋势。

单分子电流脉冲的统计分析。(a–f) Ip–Td 2D直方图以及Ser、Thr、Tyr、pSer、pThr和pTyr的Ip直方图。Ip和Td分别代表信号的最大电流和信号持续时间。(g–i) 表示氨基酸和磷酸化氨基酸之间的概率密度差异。正值表示磷酸化氨基酸的出现频率更高。单分子测量显示了磷酸化后的电导率变化(图2)。分子结中的电荷传输很大程度上取决于传输轨道相对于Au电极的费米能级(EF ≈ ?5.31)的能量对齐程度以及电极-分子耦合Γ。一般来说,更好的能级对齐(较小的|EF ? ε|)和更强的耦合都能促进更高的电导率,但单独一个因素都不足以解释所有现象。为了解释实验趋势,我们进行了第一性原理几何优化和电子结构计算(DFT;详见2.4节)。图4显示了前沿轨道能量图。Ser和Thr的HOMO主要位于羧酸基团(?9.474 eV和?9.455 eV),而Tyr的HOMO位于芳香环上(?8.233 eV)(图5)。在磷酸化过程中,pSer/pThr的HOMO轨道重新定位到磷酸基团附近(能量分别为?8.620 eV和?8.612 eV),即从能量上更接近EF(费米能级),这原本可能暗示着导电性的提高。然而,实验结果显示,Ser/Thr在磷酸化后导电性反而降低。这表明,仅靠能级对齐无法解释实验数据;还需要考虑Γ(介电常数),它受到有效距离、分子取向和界面环境的共同影响。特别是磷酸根阴离子在Au(111)表面表现出强烈的水合作用和pH依赖性的特异性吸附,这些因素会改变双电层的结构并可能削弱电极与分子的接触(从而降低Γ值)。与这一模型一致的是,pSer/pThr的HOMO到HOMO?4轨道都集中在磷酸基团附近(见图4)。

通过DFT ωB97X-D/def2-QZVPP//ωB97X-D/def2-TZVPP32–34方法计算的Ser、pSer、Thr、pThr、Tyr和pTyr的HOMOs/LUMOs等值面(Isovalue = 0.05)。溶剂化效应采用了基于密度的SMD(Solvation Model based on Density)隐式溶剂模型进行考虑,该模型针对水进行了参数化(见图5)。

Ser、pSer、Thr、pThr、Tyr和pTyr的HOMOs示意图。标有星号的部分显示,HOMOs在磷酸基团和羧基团之间的空间分布几乎均匀(见图4)。尽管单分子导电性通常与前线分子轨道相关,但分子导电性并非仅由轨道能量对齐决定;电极-分子耦合的强度和性质也起着重要作用。通常,这种高效的耦合是通过强共价锚定基团(如硫醇)实现的,其中空间分布较广的硫3p轨道与金电极发生广泛杂化,形成宽度较大、透明度高传输通道。相比之下,羧基团的氧2p轨道表现出更大的空间收缩,导致电子耦合减弱。在未锚定的系统中,尽管磷酸基团具有较高的HOMO能量,但由于水合作用和界面静电效应的影响,其物理接近电极的能力受到限制,从而限制了其对隧穿传输的贡献。因此,尽管位于磷酸基团的HOMO能量较高,但由于难以接近电极,可能会导致Γ值降低。这种解释提示,通过更深层轨道的传输可能是pSer和pThr导电性降低的机制之一。位于羧基团的轨道(如pSer和pThr的HOMO?5)可能参与隧穿电流的形成。尽管分子中没有共价锚定基团或共轭桥,羧基团仍然在物理上可接近电极,并可能在动态变化下参与电荷传输。这些更深层的轨道位于Au费米能级较远的位置(见图5),这种能量差异可能解释了磷酸化后导电性的降低。pSer和pThr的LUMOs也显示出在羧基团上的空间分布,与HOMO?5类似。然而,DFT计算表明这些轨道距离费米能级的位置比HOMO?5更远(见补充信息SI中的图S3)。因此,它们对隧穿传输的贡献被认为较低,尽管不能完全排除其作用。另一种可能的传输机制是通过HOMO的传输。分子的尺寸总结在补充信息SI中的表S1中。磷酸化可以增加有效的隧穿衰减距离,由于分子长度的增加和水合作用的影响,从而降低导电性。因此,即使是通过HOMO介导的传输,磷酸化后导电性也可能降低。相比之下,Tyr在磷酸化后导电性的增加似乎与其芳香环上的HOMO有关。在pTyr中,芳香π HOMO通常位于比氧中心占据轨道更高的位置,因为差异性溶剂化作用对磷酸根/羧基团的孤对态的稳定作用远大于对环π能级的稳定作用。在水或其他极性介质中,磷酸根(PO4n?)形成一层结构紧密的第一层水合壳,水动力学会减慢,羧基团也显示出明显的水合特征;这两种效应都会降低n(O)-型占据轨道的能量。相比之下,疏水性苯基π系统与反应场的耦合较弱,因此苯环中心的HOMO相对较高。这种溶剂化不对称性因Ph–O–P键上的π共轭限制而加剧:芳香磷酸根主要通过诱导效应而不是有效的π共振传递到环中,使得苯环π能级保持较高。磷酸化还使分子带负电荷,这通常会导致所有占据轨道的能量上升;然而,由于氧定位的轨道通过水合作用和氢键受到优先稳定,因此在考虑了各种位移后,芳香π HOMO仍然是最高的。对于传输来说,导电性取决于能级对齐和电极-分子耦合Γ,而不仅仅是能级对齐本身。宽范围的导电性分布反映了多种配置的贡献,包括那些π-金属相互作用更有效的配置以及π平面与电极更平行的配置,这时通过空间的隧穿变得显著。

这项实验和理论研究的结果表明,这种动态纳米间隙系统的导电性不仅受绝对轨道能量对齐的控制,还受到物理可访问性、空间轨道分布以及波动配置下瞬态电极-分子耦合的关键影响。目前对传输的讨论本质上是定性的,因为本研究中的DFT计算主要提供了关于溶液中能级和轨道定位的信息。因此,所提出的机制应被视为与观察结果一致的合理解释。为了获得更全面的理解,需要进行包含溶液中分子配置的传输计算。值得一提的是,早期的单分子研究表明,可以根据电流脉冲的统计特性区分Tyr和pTyr。在我们的测量中,观察到的电流信号并非来自通过稳定的分子接头传输,而是来自纳米间隙内瞬态分子配置介导的随机隧穿事件。这种行为在概念上与识别隧穿方法和先前的研究相关。与之前的方法不同,我们的系统没有使用任何识别分子。测量的导电性来源于通过暂时定向分子的概率隧穿。尽管存在取向自由度,但本研究不同于之前的工作,因为采用了更窄的纳米间隙。这种空间限制预计会限制可访问的分子配置,从而影响观察到的电流分布。因此,测量的信号不应被解释为稳态分子导电性,而应在空间限制下解释为配置依赖的隧穿事件。本研究观察到的导电行为与参考文献20中的结果不同,因此进行直接的上/下比较时应谨慎。理论研究表明,磷酸化会影响导电性的增加/减少,这与我们的观察结果一致。在这些模型中,磷酸基团可能直接参与传输路径。观察到的较低导电性支持了这样的解释:在我们的溶剂化和瞬态传导系统中,耦合较弱且依赖于分子配置。磷酸基团更可能间接影响导电性。这一解释得到了最近强调分子配置作用的研究的支持。总体而言,我们的DFT结果证实了单分子导电性能够捕捉分子内在特性,同时也强调了最接近EF的轨道不一定是主导传输通道;界面耦合Γ同样起到了决定性作用。此外,溶剂/双电层效应和表面化学性质系统地调节了传输过程,正如最近的测量所强调的。

在单分子测量中观察到了导电性的变化,这些实验观察到的变化可以通过DFT计算来解释。然而,峰值电流和信号持续时间的分布很宽,相应的直方图有大量重叠。因此,无法仅通过单个信号的峰值电流或持续时间来唯一识别每个分子。为了克服这一限制,我们应用了基于机器学习的分类方法,该方法已被报道可以在各种单分子系统中提高分子识别能力(见图6(a)中的分类方案)。电流轨迹使用MCBJ技术记录,提取出脉冲状信号,并将每个提取的信号转换为一个15维特征向量,包括峰值电流(Ip)、脉冲持续时间(Td)、平均电流以及通过平均池化得到的12个平均形状因子(见补充信息SI中的图S4)。这些特征用于训练和10折交叉验证测试。随机森林分类器被用来进行分类。图6(b–d)展示了每种氨基酸的磷酸化和非磷酸化形式的分类结果。Ser、Thr和Tyr的分类准确率分别为0.70、0.79和0.75。Tyr的准确率最高,因为它在磷酸化后显示出高导电性信号的显著增加。同样的分类程序也用于区分所有六种分子,结果见图6(e)。在所有情况下,正确类别的出现频率最高,六类分类的总体准确率为0.51。考虑到随机分类的准确率仅为0.16,成功实现了氨基酸及其磷酸化形式的分类。对分类模型的特征重要性进行了分析(见补充信息SI)。结果显示,Ip和平均电流对分类的贡献最大,证实了导电性的差异是区分的主要因素。图6(f)总结了基于图6(e)中的混淆矩阵得到的分类准确率。通过应用补充信息SI中描述的多数投票方案对10个单独信号进行分类,平均分类准确率为0.88。随着集成信号数量的增加,20个信号的准确率提高到了0.97,30个信号时准确率达到了0.99。对于30个信号,Ser和pSer的准确率超过了0.999。这些分类准确率是通过整合多个信号获得的;因此,可靠的区分需要整合多个事件,而不仅仅是依赖单次事件的测量结果。这些结果表明,单分子测量能够可靠地区分氨基酸及其磷酸化形式。

结论

总的来说,我们成功地使用MCBJ测量获得了Ser、Thr、Tyr及其磷酸化形式的单分子导电性信号。磷酸化后,Ser和Thr的导电性降低,而Tyr的导电性增加。研究发现,导电性的变化取决于与磷酸基团结合的碳原子的共轭性质。观察到的导电性变化不能仅用HOMO能级对齐来解释。相反,DFT计算表明,对于丝氨酸和苏氨酸,磷酸化导致轨道的重新分布,包括位于羧基团上的轨道的移动,这些轨道对传输通道有贡献。而对于酪氨酸,导电性的变化与位于芳香环上的轨道的移动及其贡献增强有关。单分子测量捕捉到了分子内在特性的差异。这项研究的结果表明,即使在随机连接的节点中,也可以区分氨基酸的特征特性,这突显了当前框架的稳健性。这是理解动态波动纳米间隙系统中电荷传输机制的重要一步。此外,通过应用基于机器学习的分类方法,我们在单分子水平上成功区分了磷酸化的氨基酸。这些发现有望为开发量化丝氨酸和苏氨酸磷酸化的简单方法奠定基础,并最终为未来氨基酸测序中单分子水平上识别磷酸化修饰提供技术支持。

作者贡献

概念化:Y. K.、T. O. 和 M. T.;实验:Y. K.、T. O. 和 S. N.;分析:Y. K. 和 T. O.;计算:W. T.;可视化:Y. K. 和 W. T.;初稿撰写:Y. K. 和 W. T.;审阅和编辑:Y. K.、W. T.、T. O.、K. F. 和 M. T.所有作者均已批准手稿的最终版本。利益冲突

无需声明任何利益冲突。数据可用性

本文支持的数据已作为补充信息(SI)的一部分提供。相关数据和代码可在Zenodo平台获取,地址为:https://doi.org/10.5281/zenodo.17889934。补充信息请参见DOI:https://doi.org/10.1039/d6nr00687f。致谢

本研究部分得到了日本学术振兴会(JSPS)/文部科学省(MEXT)的资助,项目编号包括:24K08201、23K21064、25H01060、24K10680;JST K计划项目编号JPMJKP23H3;此外还得到了大阪大学的资助,以及人类前沿科学计划(HFSP)的资助,项目编号为RGEC27/2023。量子化学计算工作是在东京理研大学的TSUBAME4.0超级计算机上完成的。作者衷心感谢匿名审稿人的宝贵意见和建议,这些评论极大地提升了本文的质量。参考文献
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号