基于工程化纳米孔的唾液酸多聚神经节苷脂寡糖单分子识别研究

《Research》：Single-Molecule Discrimination of Multisialylated Ganglioside Oligosaccharides Using an Engineered Nanopore

　　

神经节苷脂寡糖的功能高度依赖于其唾液酸残基的数目、连接方式和空间排布，然而由于高电荷密度及细微结构差异，尤其是高度唾液酸化的神经节苷脂寡糖的直接区分——特别是在异构体水平——仍然具有挑战性。研究人员开发了一种基于纳米孔的单分子识别策略，通过对α-溶血素（α-HL）纳米孔传感区进行协同阳离子与芳香族突变改造，显著增强了多唾液酸聚糖的捕获效率并延长其在孔道内的停留时间。这种相互作用介导的动力学放缓将原本瞬时的阻塞事件转化为包含丰富分子动态信息的长时程电流轨迹。除了传统的阻塞幅度和驻留时间描述符外，研究人员引入时域与频域特征来表征事件内电流波动，从而克服了传统纳米孔分析的关键局限。利用该方法，研究人员实现了四种三唾液酸神经节苷脂聚糖连接异构体的可靠区分，并在异质混合物中精准鉴定含有3至5个唾液酸残基的神经节苷脂寡糖。结合机器学习框架，提取的时域与频域特征支持单层级异构体识别及混合物解析，且在神经细胞系和小鼠脑组织裂解物等复杂生物基质中仍保持有效性。结果表明，通过调控分析物与孔道的相互作用以解锁高阶动态特征，可实现高度唾液酸化神经节苷脂寡糖的纳米孔分析，并为生物相关环境中的单分子聚糖序列解析提供了通用策略。

神经节苷脂寡糖是神经系统中结构最复杂的糖缀合物之一，其功能主要由糖链部分的唾液酸化模式决定。现有液相色谱-质谱技术在高度唾液酸化糖链尤其是含三个及以上唾液酸的糖链结构解析中存在局限性，包括离子化过程中的唾液酸丢失及异构体难以直接区分，导致在复杂样本中低丰度功能结构难以检测。纳米孔传感技术虽已在单糖、寡糖及糖缀合物分析中取得进展，但对结构高度相似的多唾液酸神经节苷脂寡糖而言，细微的唾液酸化差异往往无法转化为可分辨的电信号。为此，研究人员针对α-HL纳米孔进行工程化改造，引入阳离子与芳香族残基以增强与分析物的静电和CH–π相互作用，从而延长糖链在孔道内的停留时间并丰富电流轨迹的动态信息。

关键技术方法包括：构建α-HL单点及双点突变体（M113R、M113R/K147Y），利用平面脂质双层单通道记录系统采集电流信号，采用全原子分子动力学模拟分析糖链与孔道的相互作用机制，并结合机器学习算法（多层感知机，MLP）对时域与频域特征进行分类。样本队列包括四种三唾液酸神经节苷脂异构体（GT1c、GT1a、GT1b、GT1aα）及含3至5个唾液酸的六种糖链标准品，并在SH-SY5Y细胞裂解物和小鼠脑组织裂解物中进行验证。

研究结果如下：

阳离子工程增强多唾液酸聚糖的纳米孔捕获

研究人员在α-HL传感区引入精氨酸突变，其中M113R突变显著提高GT1c捕获频率（45.04 s^?1）并延长驻留时间（0.40 ms），较野生型分别提升超过5倍和12倍。分子动力学模拟显示，R113与唾液酸羧基形成稳定盐桥，并伴随氢键及范德华相互作用。

双突变重塑事件动力学并延长驻留时间

在M113R基础上引入K147Y双突变，进一步延长GT1c驻留时间（慢成分τ_slow=3.19 ms），并通过酪氨酸芳香环提供CH–π相互作用，使事件内电流波动成为稳定可量化的信息源。

多唾液酸神经节苷脂寡糖异构体的区分

M113R/K147Y纳米孔成功区分四种三唾液酸异构体，尽管阻塞幅度相近，但时域与频域特征差异明显，GT1aα表现出更高的电流波动频率。

机器学习辅助自动识别神经节苷脂寡糖混合物

基于12个关键特征训练的多层感知机模型在四异构体分类中准确率达97.15%，并在六糖链混合样本中实现有效解析。

复杂生物基质中的多类神经节苷脂识别

在SH-SY5Y细胞及小鼠脑组织裂解物背景下，模型仍能识别六种糖链，尽管背景噪声增加导致部分事件被归类为未知类别。

在讨论与结论部分，研究人员指出，通过调控分析物-孔道相互作用并延长观测窗口，可从电流波动中提取高阶动态特征，突破传统振幅分析的局限。该策略为复杂糖链的单分子解析提供了新路径，并可补充质谱技术在异构体分析中的不足。尽管当前存在竞争性占据效应限制定量精度，但该方法在神经发育、神经退行性疾病及肿瘤相关糖链重塑研究中具有重要应用潜力。此项研究发表于《Research》。