机器学习辅助的阻抗成分分析通过工程化纳米囊泡实现细胞外囊泡表面蛋白的标准化分析

《Advanced Science》：Machine-Learning-Assisted Impedance Component Analysis Enables Standardizable Surface Protein Analysis of Extracellular Vesicles Using Engineered Nanovesicles

　　

表征细胞外囊泡（EVs）表面蛋白的异质性仍具挑战性，但这对理解其生物学功能及临床应用至关重要。本研究引入了一个集成平台，该平台结合了工程化细胞来源的纳米囊泡（作为具有可控表面蛋白状态的模型标准）与机器学习（ML）优化的阻抗光谱。通过挤出表达1、3或9个拷贝的淀粉样蛋白-β42（amyloid-β42, Aβ42）的HeLa细胞，研究人员生成了具有明确表面蛋白密度的细胞来源纳米囊泡，从而建立了一系列具有精确控制寡聚构型的参考囊泡。通过对10 Hz至1 MHz频率范围内的阻抗特征进行系统评估，机器学习识别出1 kHz下的电抗变化是区分囊泡膜上寡聚态的最佳指标。等效电路模型揭示膜电容与蛋白质寡聚化相关，且结构预测解释了其机制基础。该平台还实现了直接在囊泡膜上对Aβ寡聚体形成进行无标记、时间分辨的分析，为聚集动态提供了见解。该平台利用工程化纳米囊泡建立了可标准化的参考物质，并为细胞外囊泡表面蛋白分析提供了定量框架，为研究与神经退行性疾病相关的膜相关蛋白质动态提供了一种广泛适用的方法，并推动了基于细胞外囊泡的诊断技术的发展。

研究背景：阻抗光谱是一种多用途的电学表征技术，通过施加交流信号探测系统的电化学响应，能够提供无标记且完整的组成和结构信息。近年来，基于阻抗分析的细胞外囊泡研究逐渐兴起。细胞外囊泡（Extracellular Vesicles, EVs，由脂质双分子层包裹的纳米颗粒，介导细胞间通讯）的表面蛋白在靶向特异性和功能响应中起关键作用。尽管阻抗分析具有无标记、保持囊泡完整性的优势，但其在广泛应用中面临两大障碍：一是阻抗测量和解释的固有复杂性，需要跨频率和电路配置进行仔细分析以解卷积各个贡献，且最佳测量频率随目标分析物变化，需全面优化，而人工智能（AI）在此领域的整合仍处于探索阶段；二是EVs本身存在高度的内在异质性，缺乏可溯源表征的标准化参考材料，导致不同实验室间的测量结果差异巨大。虽然已有合成脂质囊泡或基于细胞挤出法的纳米囊泡被探索作为模型，但缺乏精确控制膜蛋白构型的参考平台。为了解决复杂多维阻抗数据需要系统优化、异质性生物样本缺乏标准化参考以及对动态膜过程进行实时分析的需求，研究人员开展了这项研究。

研究内容与结论：研究人员引入了一个集成平台，将展示可控蛋白寡聚态的工程化纳米囊泡与机器学习优化的阻抗光谱相结合。通过多维度的分析，证实了等效电路参数与膜蛋白状态相关，并能够通过电抗变化区分寡聚态。该研究建立了一个可标准化的框架，为膜相关蛋白动态研究和基于EVs的诊断方法提供了普遍适用的策略，具有重要科学意义，该论文发表在《Advanced Science》上。

技术方法：研究人员主要采用了以下关键技术方法：首先，利用基因工程技术构建表达1、3、9个Aβ42拷贝的融合蛋白，并通过连续挤出法从转染的HeLa细胞中生成具有特定表面蛋白构型的纳米囊泡作为参考标准；其次，开发了集成叉指微电极（IME）和聚二甲基硅氧烷（PDMS）微流控通道的阻抗生物传感器平台进行电学测量；然后，运用六种机器学习分类器对18种频率-特征组合进行系统评估，以确定最佳分析条件；接着，采用等效电路建模对阻抗特征进行解卷积，提取特征参数；最后，利用AlphaFold2进行结构预测并结合理论电容模型解释机制基础。研究中使用的细胞样本来源于实验室培养的HeLa细胞。

研究结果：
2.1 Aβ42展示型细胞来源纳米囊泡的生成与表征
通过基因工程技术表达融合蛋白并挤出HeLa细胞生成纳米囊泡。通过动态光散射（DLS）、Zeta电位测量、冷冻透射电子显微镜和蛋白质印迹法等物理与分子表征手段，得出结论：成功生成了具有精确表面蛋白构型的参考纳米囊泡，且不同Aβ42重复次数并未显著改变囊泡整体尺寸与分散性，但Aβ42非纳体在结构上表现出更高的致密性以及电荷异质性和极化分布。

2.2 机器学习引导的Aβ-NVs阻抗分析
利用IME生物传感器测量阻抗，并运用机器学习算法评估18种频率-特征组合。通过计算线性得分、阶数得分和分类得分的综合得分，得出结论：在1 kHz频率下的电抗变化（Δ|X/X₀|）是区分膜上Aβ42多肽数量的最佳参数，其随Aβ42拷贝数呈现严格的单调递增对应关系，而阻抗和电阻无法一致区分所有组别。

2.3 Aβ-NVs的等效电路建模
通过构建囊泡固定后的等效电路模型并进行一阶近似简化。得出结论：电阻变化（ΔR）主要受腔内电阻（R_l）影响，随囊泡浓度或腔内体积的增加而变化；而电抗变化（ΔX）主要受膜电容（C_m）影响，反映膜的介电特性和蛋白质组成。

2.4 基于等效电路模型拟合的Aβ-NVs特征敏感性分析
通过对实验阻抗谱进行等效电路拟合以提取R_l和有效电容（C_eff）。得出结论：R_l对囊泡浓度变化更敏感，而C_eff对膜蛋白组成（Aβ42拷贝数）表现出强烈的线性相关性，是膜组成变化的主要报告者。且最佳分析频率在1 kHz左右，这与机器学习预测的最佳频率一致。

2.5 膜表达Aβ诱导电容变化的计算机模拟预测
利用AlphaFold2预测的蛋白质结构，结合平行板电容器模型和克劳修斯-莫索提（Clausius-Mossotti）关系估算理论膜电容。得出结论：理论预测的电容值与实验拟合值高度一致，证实了膜电容的增加与膜表达Aβ蛋白的定量增加相对应，且C_eff对总阻抗的贡献占比虽小（不足6%），但对膜蛋白含量的相对变化高度敏感。

2.6 NVs膜上Aβ寡聚化的时间分辨监测
通过将Aβ-NVs与可溶性Aβ42在4°C下共孵育以诱导表面寡聚化，并利用sELISA和阻抗生物传感器进行时间分辨检测。得出结论：可溶性Aβ42能够在4°C下选择性地在膜锚定的Aβ42单体上寡聚化，且电抗分析能够检测到由基因定义的预定义Aβ拷贝数以及孵育诱导的寡聚体组装引起的膜蛋白状态变化，验证了该分析框架的适用性。

讨论与结论总结：
研究人员总结讨论并得出结论：通过整合工程化纳米囊泡与机器学习引导的阻抗光谱，建立了一个普遍适用的分析框架。研究发现电抗（X）对膜蛋白变化提供了最高灵敏度，因为从阻抗变化中提取的X可以直接反映系统的电抗成分，从而分离出被电阻掩盖的膜相关电容信号。该平台实现了无标记检测，且优化后的条件可广泛应用于其他EVs表面蛋白分析。尽管膜电容在总阻抗中占比不足6%，但通过电抗分析仍能有效区分寡聚态。该研究为利用精确控制的工程化纳米囊泡作为标准化参考材料奠定了基础，不仅支持了多参数AI分类的未来发展，也为研究膜相关蛋白动力学和开发神经退行性疾病的标准化诊断方法提供了通用策略。