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

Aug 31, 2023

Scientific Reports volume 13, Numéro d’article: 9103 (2023) Citer cet article

1 Altmetric

Détails des métriques

Dans les mesures à molécule unique, les électrodes à nanogap métallique 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 mélangés. Par rapport aux méthodes conventionnelles qui nécessitent une formation des classificateurs sur les données de mesure d’échantillons individuels, la méthode que nous proposons prédit avec succès le rapport de mélange à partir des données de mesure dans des solutions mélangées. Cela démontre la possibilité d’identifier des molécules uniques en utilisant uniquement des données provenant de solutions mélangées, 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 la possibilité que les mesures d’une seule molécule soient 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’un large éventail de molécules. La mesure d’une seule molécule attire l’attention en tant que nouvelle méthode de mesure de détection moléculaire et de quantification, car dans cette méthode, une molécule entre nanoélectrodes est directement mesurée1,2,3. Dans la méthode de jonction de rupture4,5,6,7, une méthode de mesure électrique à molécule unique, un nanogap métallique est formé en brisant 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. Des mesures de molécules uniques 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 à molécule unique ont fait l’objet d’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 de l’ADN et de l’ARN et a démontré l’applicabilité des mesures à molécule unique 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 objectifs de mesure ne se limitent pas aux biomolécules. Les mesures à molécule unique 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 à l’aide de mesures à molécule unique, 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 typiques basées sur des histogrammes de conductance ne fournissent que des informations 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 à molécule unique26,34,35,36,37,38. Cependant, les approches conventionnelles d’apprentissage automatique nécessitent des données d’apprentissage obtenues à partir de solutions contenant une seule espèce chimique pour chaque molécule cible. Compte tenu de l’application de mesures à molécule unique pour détecter des biomolécules ou des cibles spécifiques, il est parfois difficile de préparer une référence contenant un seul échantillon à partir d’une solution contenant des impuretés pour toutes les molécules. 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 mélangés sans échantillons cibles d’une seule espèce représente une avancée significative dans le domaine des mesures à molécule unique. 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 les molécules basées uniquement avec des solutions mélangées. Comme le montre la figure 1, ciblant dGMP et 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 mélangées à partir de leurs mélanges uniquement.

Organigramme de classification d’une seule molécule. Pour les mesures de courant à molécule unique, 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 boîte 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 de signaux à molécule unique à l’aide de l’apprentissage automatique plutôt que pour leur applicabilité à l’identification de mélanges de deux molécules. Les nucléotides peuvent être identifiés par des mesures à molécule unique et ont déjà été signalés comme molécules cibles dans diverses études15,17,36. La figure 2a,b montre les structures moléculaires du dGMP et du dTMP, respectivement. Comme le montre la Fig. 2c,d, un signal d’impulsion de courant est généré lorsqu’une molécule individuelle traverse le nanogap. La figure 2c,d montre les 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. dGMP présente une conductance plus élevée que dTMP parce que son niveau HOMO est plus proche du niveau Au Fermi39, qui est l’orbitale de conduction pour dGMP plutôt que pour 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 de faible courant à 20 pA. Le signal de faible courant a causé la structure de pont à molécule unique entre le nanogap. Le transport d’électrons via l’orbitale moléculaire inférieure du sucre ribose provoque une baisse du courant40. Le chevauchement important indique que s’appuyer uniquement sur des méthodes d’analyse basées sur des histogrammes qui dépendent d’Ip est insuffisant pour une discrimination précise et que l’utilisation de l’apprentissage automatique est nécessaire.

Résultats des mesures de dGMP et 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 dTMP. e), f) Histogrammes du courant maximal (Ip) pour dGMP et dTMP, respectivement. Chaque courant est mesuré sous une polarisation de 100 mV.

En 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 de noms moléculaires. Le classificateur d’apprentissage automatique identifie ensuite les signaux actuels obtenus à partir du mélange en fonction des caractéristiques apprises de chaque signal moléculaire. Enfin, chaque étiquette moléculaire prédite des données de la solution mélangée est comptée, et le rapport de concentration est déterminé comme le rapport du nombre de signaux pour chaque molécule. Figue. La figure 3a illustre le processus de validation de la formation du classificateur d’apprentissage automatique. Le processus de validation de l’apprentissage automatique comprend la mesure de la jonction de rupture contrôlable mécaniquement (MCBJ), l’extraction du signal, l’extraction de caractéristiques, la formation et l’identification. Dans cette étude, des vecteurs à 13 dimensions constitués de Ip, de durée et de temps (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 le montre la Fig. 3b. Une méthode de validation croisée (CV) en 10 volets a été utilisée pour la vérification, la formation et la prédiction, comme le montre la Fig. S1 dans Informations supplémentaires. Dans un 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 s’assurer que toutes les données sont testées une fois. Les résultats de validation pour les deux molécules mesurées en solutions pures sont présentés dans la matrice de confusion illustrée à la Fig. 3c. La mesure F, un indice de performance de la 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 ne contenant qu’une seule espèce chimique. Pour confirmer la capacité discriminante 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. La figure 4a,b montre 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 plus de dGMP plus conductrice, montre une conductance plus élevée que la solution dGMP:dTMP = 1:3, qui contient plus de dTMP moins conductrice. 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 actuels 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 le montre la Fig. 4d. Comme le montre la Fig. 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 conventionnelles de formation à l’apprentissage automatique et résultats d’identification. a) Processus de formation de l’apprentissage automatique pour des solutions pures utilisant la méthode conventionnelle. Les caractéristiques incluent 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 définition des caractéristiques. Les lignes pointillées noires montrent la zone de l’impulsion de courant divisée en dix parties le long de l’axe temporel. Les valeurs de courant moyennes (lignes pointillées rouges) de chaque portion divisée de I1 à I10 sont respectivement 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 prévisions dGMP et dTMP dans des solutions pures.

Processus et résultats de la prédiction du rapport de mélange de la cible à l’aide du classificateur entraîné 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) Processus consistant à identifier le 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 prévision du taux de mélange des mélanges sur la base de données formées.

L’objectif principal de cette recherche est de développer une méthode pour distinguer les deux molécules des données mesurées en utilisant uniquement des solutions mélangées. La relation entre les concentrations des deux mélanges, c’est-à-dire les 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 marquées et une classification des données non étiquetées (UUC) basée sur l’estimation de la densité du noyau (KDE)41. Figue. 5b montre un diagramme conceptuel de UUC, une méthode pour déterminer les limites discriminantes à partir de données dans lesquelles les deux classes sont mélangées à des concentrations différentes. Dans la Fig. 5b, les couleurs bleu et rouge représentent deux types de mélanges. Les deux solutions contiennent des concentrations différentes des deux classes. Les cours sont inconnus à l’avance. Le but de l’UUC est de distinguer 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 d’entités directement à partir des données observées, comme le montre la Fig. 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 permet d’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, comme la méthode proposée est fondée sur le principe selon lequel les régions de concentration plus élevée présentent des densités de probabilité plus élevées, elle peut également être appliquée à deux mélanges de données non étiquetés ayant des relations de concentration connues. Pour la comparaison avec la méthode conventionnelle, l’identification a été effectuée avec les mêmes caractéristiques extraites du même ensemble 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 des signaux correspondant aux rapports 3:1 et 1:3 de dGMP:dTMP ont été prédits à 3,2:1 et 1:3,5, respectivement. La performance de la nouvelle méthode d’identification proposée dans cette étude est comparée à celle des méthodes conventionnelles, comme le montre la Fig. 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 de mesures à molécule unique34. Cependant, les méthodes conventionnelles d’apprentissage non supervisé ne permettent pas d’identifier adéquatement les données expérimentales des deux solutions, comme le montre SI.5. La nouvelle méthode UUC permet de distinguer deux molécules en mesurant uniquement les mélanges. La méthode est supposée empêcher la propagation des erreurs dues aux changements environnementaux et entraîner une discrimination de précision plus élevée que les 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 rouge et bleu désignent respectivement les signaux dérivés de dGMP et dTMP. Les signaux obtenus à partir des mélanges peuvent être discriminés individuellement.

a) Processus de formation et d’identification à l’aide de données provenant uniquement de mélanges. 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 entités. Les points rouges et bleus et les lignes pointillées indiquent respectivement les points de données et leur noyau gaussien. Les courbes pleines représentent la somme des lignes pointillées, qui représente l’estimation de la densité du noyau. d) Le résultat de la prévision du rapport de mélange de deux mélanges avec des données formées sur le mélange uniquement. e) Comparaison des résultats des nouvelles et anciennes méthodes en ce qui concerne le ratio de prévision. f) Le profil actuel résultant de l’identification du signal de chaque molécule individuellement (en dGMP:dTMP = solution 3:1). g), h) Histogrammes IP fondés 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 lignes pleines représentent la somme des deux histogrammes.

Dans la section précédente, les histogrammes de conductance des nucléotides individuels (Fig. 2) ont montré que le GMPd 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 de solutions dGMP:dTMP = 3:1 et dGMP:dTMP = 1:3 sont représentés à la Fig. 5G, H, respectivement. Les barres rouge et bleue représentent les histogrammes prédits comme dGMP et dTMP, respectivement. Les histogrammes confirment que la méthode UUC peut prédire les rapports de mélange et que dGMP a une conductance plus élevée que dTMP. Ceci est en accord avec les résultats de la mesure de la solution pure. Cette nouvelle méthode permet notamment de déterminer les rapports de concentration en utilisant seulement deux solutions de mélange de concentrations inconnues. Cette technique est supposée être 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 une matière étrangère en la comparant à un échantillon normal et à un échantillon positif/négatif avec un contrôle qui favorise ou inhibe 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 contrôle qui favorise ou inhibe 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 mélangées et une méthode de discrimination pour deux types de données non marquées 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 mélangées. La technique développée dans cette étude pour identifier les molécules cibles dans des solutions mélangées sans formation d’échantillon individuel devrait avoir de larges applications pour diverses molécules dans le domaine de la mesure d’une seule molécule.

La désoxyguanosine monophosphate (dGMP, Sigma-Aldrich) et la désoxythymidine monophosphate (dGTP, Sigma-Aldrich) ont été diluées 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 dGMP et 250 μM dTMP, et les mesures de dGMP:dTMP = 1:3 ont utilisé la solution de 250 μM dGMP et 750 μM dTMP. Les puits de polydiméthylsiloxane (PDMS) ont été fabriqués et traités avec un plasma d’oxygène pendant 10 s, fixés au dispositif d’électrode nanogap MCBJ et traités dans l’étuve 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 flexible. Tout d’abord, un film mince de polyimide a été formé comme couche isolante sur le substrat de silicium. Des dizaines de motifs de nanomètre de large ont été fabriqués à l’aide de la lithographie par faisceau d’électrons, et les fils d’or ont été déposés sur les motifs en utilisant un dépôt chimique en phase vapeur amélioré 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 cassés mécaniquement en raison de flexions répétées par flexion à trois points et qu’une forte baisse 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 ajuster avec précision la tige de poussée piézo-ajustée.

Les solutions ont été injectées dans un PDMS bien fixé 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 d’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’impulsions a été formé et classé avec l’apprentissage automatique supervisé du classificateur de forêt aléatoire (RF) dans la version 0.24.246 de scikit-learn. Dans le processus de validation, le CV 10 fois a été effectué et ses valeurs moyennes et d’écart-type ont fourni les ratios de classification et les erreurs. Les erreurs sont l’écart-type de la classification à 10 temps. Dans l’analyse de solutions mixtes, le classificateur d’apprentissage automatique supervisé par 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. UUC et les codes sources KDE pondérés ont été préparés par nous-mêmes en utilisant Python 3.10.4. Les 1000 signaux et caractéristiques des mélanges sont les mêmes que les méthodes conventionnelles. Le noyau gaussien a été adopté. La bande passante est déterminée par la règle de Silverman41.

Les données qui appuient les conclusions de cette étude sont disponibles auprès de l’auteur correspondant sur demande raisonnable. La correspondance et les demandes de documents doivent être adressées à M.T.

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. 53, 159-169 (2020).

Article CAS PubMed Google Scholar

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

Article CAS PubMed Google Scholar

Di Ventra, M. & Taniguchi, M. Décoder l’ADN, l’ARN et les peptides avec effet tunnel quantique. Nat. Nanotechnol. 11, 117–126 (2016).

Article ADS PubMed Google Scholar

Martin, C. A., Ding, D., Van Der Zant, H. S. J. & Van Ruitenbeek, J. M. Lithographic mechanical break junctions for single-molecule measurements in vacuum: Possibilities and limitations. New J. Phys. 10, 065008 (2008).

Article ADS Google Scholar

Reed, M. A., Zhou, C., Muller, C. J., Burgin, T. P. & Tour, J. M. Conductance d’une jonction moléculaire. Science 278, 1-3 (1997).

Article Google Scholar

Krans, J. M. et coll. Contacts ponctuels à un atome. B 48, 14721-14724 (1993).

Article ADS CAS Google Scholar

Agraït, N., Yeyati, A. L. & van Ruitenbeek, J. M. Quantum properties of atomic-sized conductors. 377, 81-279 (2003).

Article ADS Google Scholar

Evers, F., Korytár, R., Tewari, S. & Van Ruitenbeek, J. M. Advances and challenges in single-molecule electron transport. Rev. Mod. Phys. 92, 35001 (2020).

Article CAS Google Scholar

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

Article Google Scholar

Aradhya, S. V. & Venkataraman, L. Single-molecule junctions beyond electronic transport. Nat. Nanotechnol. 8, 399–410 (2013).

Article ADS CAS PubMed Google Scholar

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

Article CAS PubMed Google Scholar

Su, T. A., Neupane, M., Steigerwald, M. L., Venkataraman, L. & Nuckolls, C. Principes chimiques de l’électronique à molécule unique. Révérend nat. Mater. https://doi.org/10.1038/natrevmats.2016.2 (2016).

Article Google Scholar

Song, H., Reed, M. A. & Lee, T. Single molecule electronic devices. 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. Rev. Mod. Phys. 80, 141-165 (2008).

Article ADS Google Scholar

Zwolak, M. & Di Ventra, M. Signature électronique des nucléotides de l’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. 12, 1-9 (2022).

Article Google Scholar

Tsutsui, M., Taniguchi, M., Yokota, K. & Kawai, T. Identification de nucléotides simples par courant tunnel. Nat. Nanotechnol. 5, 286–290 (2010).

Article ADS CAS PubMed Google Scholar

Ohshiro, T. et al. Séquençage de l’ARN à molécule unique pour la détection simultanée de m6A et 5mC. 11, 1-10 (2021).

Article Google Scholar

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

Article ADS CAS PubMed PubMed Central Google Scholar

Ryu, J., Komoto, Y., Ohshiro, T. & Taniguchi, M. Classification des molécules uniques de l’acide aspartique et de la leucine par reconnaissance moléculaire par liaison hydrogène et analyse de séries chronologiques. Chem. Asian J. 17, e202200179 (2022).

Google Scholar

Ohshiro, T. et al. Détection de modifications post-traductionnelles dans des peptides simples à l’aide de courants de tunnel électronique. Nat. Nanotechnol. 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 de conductance géantes dans une protéine. Nano Futur. 1, 035002 (2017).

Article ADS Google Scholar

Zhang, B. et al. Rôle des lentilles de contact dans la conductance protéique à longue distance. Proc. Natl. Acad. Sci. U. S. A. 116, 5886–5891 (2019).

Article ADS CAS PubMed PubMed Central Google Scholar

Ruiz, M. P. et coll. Bio-ingénierie d’une jonction monoprotéique. J. Am. Chem. Soc. 139, 15337–15346 (2017).

Article CAS PubMed Google Scholar

Komoto, Y. et coll. Détection de neurotransmetteurs résolus dans le temps dans le tissu cérébral de souris à l’aide d’un nanogap d’intelligence artificielle. 10, 1-7 (2020).

Article Google Scholar

Nishino, T., Shiigi, H., Kiguchi, M. & Nagaoka, T. Specific single-molecule detection of glucose in a supramolecularly designed tunnel junction. Chem. 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 monomoléculaires de rapport de conductance. ACS Sensors 6, 461-469 (2021).

Article CAS PubMed Google Scholar

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

Article CAS PubMed Google Scholar

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

Article CAS Google Scholar

Chen, F., Hihath, J., Huang, Z., Li, X. & Tao, N. J. Mesure de la conductance d’une seule molécule. Annuelle. Phys. Chem. 58, 535-564 (2007).

Article ADS CAS PubMed Google Scholar

Stefani, D. et coll. 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 monomoléculaire des silanes cycliques et bicycliques. J. Am. Chem. 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. Chem. 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 molécule unique. Chem. 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 bruyante. J. Phys. Chem. C 123, 15867–15873 (2019).

Article CAS Google Scholar

Bro-Jørgensen, W., Hamill, J. M., Bro, R. & Solomon, G. C. Trusting our machines: Validating machine learning models for single-molecule transport experiments. 51, 6875-6892 (2022).

Article PubMed PubMed Central Google Scholar

Magyarkuti, A., Balogh, N., Balogh, Z., Venkataraman, L. & Halbritter, A. Unsupervised feature recognition in single-molecule break junction data. Nanoscale 12, 8355–8363 (2020).

Article CAS PubMed Google Scholar

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

Article PubMed PubMed Central Google Scholar

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

Article CAS PubMed Google Scholar

Yoshida, T., Washio, T., Ohshiro, T. & Taniguchi, M. Classification à partir de données positives et non étiquetées basées sur l’invariance de vraisemblance pour la mesure. Intell. Données anal. 25, 57-79 (2021).

Article Google Scholar

Kaneko, S. et coll. Identification du site d’adsorption moléculaire d’une jonction moléculaire unique grâce à des études combinées Raman et de conductance. Chem. 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 simple. J. Am. Chem. Soc. 127, 5990–5995 (2005).

Article CAS PubMed Google Scholar

Li, C. et al. Transport de charge en Au|alkanedithiol|Au junctions: Géométries de coordination et degrés de liberté conformationnels. J. Am. Chem. Soc. 130, 318-326 (2008).

Article CAS PubMed Google Scholar

Bamberger, N. D. et coll. 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 molécule unique. J. Phys. Chem. C 126, 6653–6661 (2022).

Article CAS Google Scholar

Pedregosa, F. et al. Scikit-learn: Machine learning in Python. J. Mach. Apprendre. 12, 2825-2830 (2011).

MathSciNet MATH Google Scholar

Télécharger les références

Ce travail a été soutenu par la Société japonaise pour la promotion de la science (JSPS) KAKENHI Grant Numbers 19H00852, 21H01741, 22K14566 et le numéro de subvention JPMJCR1666 de l’Agence japonaise des sciences et technologies (JST) pour la recherche fondamentale pour la science et la technologie évolutives (CREST) et JST Support for Pioneer Research Initiated by the Next Generation (SPRING) numéro de subvention 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

Artificial Intelligence Research Center, Université d’Osaka, Ibaraki, Osaka, 567-0047, Japon

Yuki Komoto

Division de la recherche exploratoire intégrée pour les sciences médicales, 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

J.R., Y.K., T.O. et M.T. ont planifié et conçu les expériences. J.R., Y.K. et T.O. ont participé à la fabrication de MCBJ et de mesures électriques à molécule unique. J.R. et Y.K. ont effectué l’analyse des données. J.R., Y.K., T.O. et M.T. ont co-écrit l’article.

Correspondance avec 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 permet l’utilisation, le partage, l’adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous donniez le crédit approprié au(x) auteur(s) original(s) et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou autres éléments de tiers contenus dans cet article sont inclus dans la licence Creative Commons de l’article, sauf indication contraire dans une ligne de crédit du 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 la permission directement du détenteur des droits d’auteur. Pour consulter une copie de ce permis, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Ryu, J., Komoto, Y., Ohshiro, T. et coll. Discrimination directe des biomolécules dans des échantillons mixtes à l’aide de mesures électriques à molécule unique 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

Acceptée: 23 mai 2023

Publication : 5 juin 2023

DEUX : 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 et les Règles de la communauté. Si vous trouvez quelque chose d’abusif ou qui n’est pas conforme à nos conditions ou directives, veuillez le signaler comme inapproprié.