Label-free SERS Discrimination of Native Proline Hydroxylation at Single-molecule peptide by Deep Learning-assisted plasmonic nanopore

Resumen Técnico: Discriminación sin marcadores de la hidroxilación nativa de prolina en péptidos a nivel de molécula única mediante SERS asistido por aprendizaje profundo y nanoporos plasmónicos

Enunciado del Problema
Las modificaciones postraduccionales (MPT), específicamente la 4-hidroxilación de prolina del factor inducible por hipoxia-1α (HIF-1α), son críticas para regular la señalización celular y la progresión del cáncer. Sin embargo, discriminar fragmentos peptídicos hidroxilados de no hidroxilados a nivel de molécula única sigue siendo un desafío significativo. Los métodos existentes enfrentan limitaciones distintas: la espectrometría de masas requiere altos números de copias moleculares ($10^6$–$10^8$) y sufre de interpretaciones falsas debido a reglas combinatorias alteradas; la detección de pulsos resistivos en nanoporos proporciona lecturas indirectas codificadas en las amplitudes de bloqueo de corriente en lugar de huellas químicas directas; y la Espectroscopía Raman Mejorada en Superficie (SERS) convencional lucha contra las secciones eficaces Raman débiles de la hidroxilación, la superposición espectral con la columna vertebral del péptido y la heterogeneidad en las configuraciones de adsorción molecular y los puntos calientes electromagnéticos. En consecuencia, la detección de firmas sutiles de MPT como la hidroxilación en sistemas peptídicos complejos se ve obstaculizada por una baja reproducibilidad y dificultades en la interpretación espectral.

Metodología
Los autores desarrollaron una plataforma híbrida que combina un sensor SERS de molécula única tipo "partícula en poro" con análisis espectral estadístico y aprendizaje profundo.

1. Plataforma SERS de "partícula en poro": El sistema utiliza una matriz de nanohuecos de oro (poros de 250 nm de diámetro en una película de oro de 100 nm sobre una membrana de SiN) integrada en un dispositivo microfluídico. Nanopartículas de oro (AuNPs) de 50 nm cargadas con péptidos son impulsadas a través de los poros por electroforesis y electroósmosis. Un láser de 785 nm ejerce una fuerza óptica, atrapando la AuNP contra la pared lateral del poro. Esta configuración crea un punto caliente plasmónico confinado entre la AuNP y la pared del poro, permitiendo sensibilidad a nivel de molécula única mientras se minimiza la cobertura de la señal de la columna vertebral.
2. Sistemas peptídicos: Se sintetizaron tres pares de péptidos fragmentos de HIF-1α que contienen el sitio de hidroxilación Pro-564, con longitudes de 7, 9 y 15 aminoácidos (AA). Las variantes no hidroxiladas (HIF7S, HIF9S, HIF15S) e hidroxiladas (HIF7SPTM, HIF9SPTM, HIF15SPTM) se adsorbieron físicamente sobre AuNPs recubiertas de citrato para formar monocapas.
3. Adquisición y procesamiento de datos: Se recopilaron espectros Raman en series temporales durante los eventos de atrapamiento de nanopartículas. Más de 6.800 espectros efectivos por conjunto de datos fueron pre-procesados (corrección de línea base, eliminación de rayos cósmicos, normalización).
4. Análisis estadístico (POF): Para abordar las fluctuaciones espectrales de molécula única, los autores emplearon un análisis de Frecuencia de Ocurrencia de Picos (POF). Este método agrega grandes conjuntos de datos para reconstruir perfiles espectrales representativos, identificando características espectrales reproducibles basadas en la frecuencia de aparición de picos en desplazamientos Raman específicos en lugar de la intensidad absoluta.
5. Clasificación por aprendizaje profundo: Una red neuronal convolucional unidimensional (1D-CNN) fue entrenada para clasificar péptidos hidroxilados frente a no hidroxilados utilizando los datos espectrales completos. La interpretabilidad del modelo se mejoró mediante Mapeo de Activación de Clase Ponderado por Gradiente (Grad-CAM) para visualizar qué regiones espectrales impulsaron las decisiones de clasificación.

Resultados Clave

• Firmas espectrales y cambios de adsorción: El análisis POF reveló cambios espectrales reproducibles dependientes de la hidroxilación. Para los péptidos de 7AA y 9AA, la hidroxilación suprimió la banda $\nu$(C–S) de Met a ~680 cm⁻¹ y potenció bandas cerca de 712, 1016, 1121 y 1234 cm⁻¹. Esto sugiere un cambio en la conformación de adsorción desde una orientación dominada por Met hacia configuraciones alternativas que involucran interacciones del anillo de Tirosina (Tyr) o los extremos del péptido.
• Precisión de discriminación: La 1D-CNN alcanzó precisiones de clasificación de espectro único post-evaluación de 72.98% (7AA), 78.55% (9AA) y 89.74% (15AA). Los valores del Área bajo la Curva (AUC) fueron 0.80, 0.88 y 0.96, respectivamente. Cabe destacar que la precisión aumentó con la longitud del péptido, contrariamente a la expectativa de que péptidos más largos y complejos serían más difíciles de distinguir.
• Amplificación mediada por adsorción en péptidos más largos: Para el par de péptidos de 15AA, la variante hidroxilada (HIF15SPTM) exhibió una frecuencia de ocurrencia de picos (POF) significativamente mayor para la banda asociada al citrato a 1073 cm⁻¹ (0.266) en comparación con la variante no hidroxilada (0.033). Esto indica que la hidroxilación altera la conformación del péptido o la afinidad superficial, reduciendo la eficiencia de adsorción y dejando más citrato en la superficie de la AuNP. Este efecto mediado por adsorción amplificó las diferencias espectrales, contribuyendo a la superior precisión de discriminación (AUC > 0.96) para el par de 15AA.
• Interpretabilidad del modelo: La visualización de Grad-CAM confirmó que las regiones espectrales sensibles de la CNN se superpusieron con las características POF recurrentes identificadas como dependientes de la hidroxilación. Se observaron pesos de características altos en 680, 712, 1016, 1121 y 1234 cm⁻¹, así como en la región del citrato (1073 cm⁻¹) para los péptidos de 15AA, validando la relevancia química de los patrones aprendidos.

Significado y Afirmaciones
El artículo afirma que la integración de SERS de molécula única tipo "partícula en poro" con análisis POF y aprendizaje profundo proporciona una estrategia robusta para el análisis ultrasensible de firmas débiles de MPT. Las contribuciones clave incluyen:

1. Superación de la heterogeneidad espectral: El estudio demuestra que la reconstrucción estadística (POF) y el aprendizaje profundo pueden extraer eficazmente patrones discriminativos de los datos inherentemente heterogéneos y ruidosos del SERS de molécula única.
2. Perspectiva mecanística: La obra revela que la discriminación no se basa únicamente en diferencias vibratorias intrínsecas del grupo hidroxilo, sino que se amplifica significativamente por cambios inducidos por la hidroxilación en el comportamiento de adsorción del péptido y las interacciones superficiales (por ejemplo, desplazamiento de citrato).
3. Escalabilidad: El método discriminó con éxito MPT en péptidos de complejidad estructural creciente (hasta 15 AA), sugiriendo que los cambios espectrales mediados por adsorción pueden volverse más pronunciados en sistemas más grandes, ayudando en lugar de obstaculizar la detección.
4. Detección sin marcadores: El enfoque ofrece una alternativa sin marcadores a la espectrometría de masas y a los métodos basados en anticuerpos para detectar MPT de baja abundancia, permitiendo potencialmente el diagnóstico temprano de enfermedades y el estudio de la dinámica de proteínas a nivel de molécula única.

Los autores concluyen que este marco proporciona una vía prometedora para analizar cambios estructurales y químicos sutiles en biomoléculas, cerrando la brecha entre la detección de molécula única y la interpretación biológica compleja.