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

기술 요약: 딥러닝 보조 플라즈모닉 나노포어를 통한 단일 분자 펩타이드의 라벨 없는 SERS 를 이용한 천연 프롤린 하이드록실화 식별

문제 제기
번역 후 변형 (PTM), 특히 저산소 유도 인자-1α (HIF-1α) 의 프롤릴 4-하이드록실화는 세포 신호 전달 및 암 진행 조절에 결정적입니다. 그러나 단일 분자 수준에서 하이드록실화된 펩타이드 단편과 비하이드록실화된 펩타이드 단편을 구별하는 것은 여전히 중요한 과제입니다. 기존 방법들은 뚜렷한 한계에 직면해 있습니다: 질량 분석법은 높은 분자 복사 수 ($10^6$–$10^8$) 를 요구하며 변형된 조합 규칙으로 인한 오해석에 시달립니다; 나노포어 저항성 펄스 센싱은 직접적인 화학적 지문 대신 전류 차단 진폭에 인코딩된 간접 판독값을 제공합니다; 그리고 기존 표면 증강 라만 분광법 (SERS) 은 하이드록실화의 약한 라만 단면적, 펩타이드 골격과의 스펙트럼 중첩, 그리고 분자 흡착 구성 및 전자기 핫스팟의 이질성으로 인해 어려움을 겪습니다. 결과적으로 복잡한 펩타이드 시스템에서 하이드록실화와 같은 미묘한 PTM 서명을 검출하는 것은 낮은 재현성과 스펙트럼 해석의 어려움으로 인해 방해받습니다.

방법론
저자들은 "입자 - 포어 (particle-in-pore)" 단일 분자 SERS 센서와 통계적 스펙트럼 분석 및 딥러닝을 결합한 하이브리드 플랫폼을 개발했습니다.

1. 입자 - 포어 SERS 플랫폼: 이 시스템은 SiN 막 위의 100 nm 금 박막에 250 nm 직경의 구멍이 있는 금 나노홀 어레이를 미세유체 장치에 통합하여 사용합니다. 펩타이드가 로딩된 50 nm 금 나노입자 (AuNPs) 는 전기영동과 전기삼투에 의해 구멍을 통과하도록 구동됩니다. 785 nm 레이저는 광력을 가해 AuNPs 를 구멍 측벽에 가두어 잡습니다. 이 구성은 AuNP 와 구멍 벽 사이에 제한된 플라즈모닉 핫스팟을 생성하여 펩타이드 골격 신호의 커버리지를 최소화하면서 단일 분자 감도를 가능하게 합니다.
2. 펩타이드 시스템: Pro-564 하이드록실화 부위를 포함하는 HIF-1α 단편 펩타이드 3 쌍을 7, 9, 15 개의 아미노산 (AA) 길이로 합성했습니다. 비하이드록실화 (HIF7S, HIF9S, HIF15S) 및 하이드록실화 (HIF7SPTM, HIF9SPTM, HIF15SPTM) 변이체는 시트레이트로 코팅된 AuNPs 에 물리적으로 흡착되어 단분자층을 형성했습니다.
3. 데이터 수집 및 처리: 나노입자 포획 이벤트 동안 시간 계열 라만 스펙트럼이 수집되었습니다. 데이터셋당 6,800 개 이상의 유효 스펙트럼이 전처리 (기선 보정, 우주선 제거, 정규화) 되었습니다.
4. 통계적 분석 (POF): 단일 분자 스펙트럼 변동을 해결하기 위해 저자들은 피크 발생 빈도 (POF) 분석을 사용했습니다. 이 방법은 대용량 데이터셋을 집계하여 대표성 있는 스펙트럼 프로파일을 재구성하며, 절대 강도가 아닌 특정 라만 이동에서의 피크 출현 빈도에 기반하여 재현 가능한 스펙트럼 특징을 식별합니다.
5. 딥러닝 분류: 전체 스펙트럼 데이터를 사용하여 하이드록실화 및 비하이드록실화 펩타이드를 분류하도록 1 차원 합성곱 신경망 (1D-CNN) 이 훈련되었습니다. 모델 해석 가능성은 분류 결정을 주도한 스펙트럼 영역을 시각화하기 위해 가중치 할당 클래스 활성화 매핑 (Grad-CAM) 을 사용하여 향상되었습니다.

주요 결과

• 스펙트럼 서명 및 흡착 변화: POF 분석은 재현 가능하고 하이드록실화에 의존적인 스펙트럼 변화를 밝혔습니다. 7AA 및 9AA 펩타이드의 경우, 하이드록실화는 ~680 cm⁻¹ 의 Met $\nu$(C–S) 대역을 억제하고 712, 1016, 1121, 1234 cm⁻¹ 근처의 대역을 강화했습니다. 이는 메티오닌 (Met) 중심 배향에서 티로신 (Tyr) 고리 상호작용 또는 펩타이드 말단을 포함하는 대체 구성으로의 흡착 입체구조 변화를 시사합니다.
• 식별 정확도: 1D-CNN 은 사후 평가 단일 스펙트럼 분류 정확도에서 7AA 의 경우 72.98%, 9AA 의 경우 78.55%, 15AA 의 경우 **89.74%**를 달성했습니다. 곡선 아래 면적 (AUC) 값은 각각 0.80, 0.88, 0.96이었습니다. 주목할 점은 더 길고 복잡한 펩타이드가 구별하기 어려울 것이라는 기대와 반대로 펩타이드 길이가 증가함에 따라 정확도가 증가했다는 것입니다.
• 긴 펩타이드에서의 흡착 매개 증폭: 15AA 펩타이드 쌍의 경우, 하이드록실화 변이체 (HIF15SPTM) 는 비하이드록실화 변이체 (0.033) 에 비해 1073 cm⁻¹ 의 시트레이트 관련 대역에 대해 훨씬 높은 POF(0.266) 를 나타냈습니다. 이는 하이드록실화가 펩타이드 입체구조나 표면 친화도를 변경하여 흡착 효율을 낮추고 AuNP 표면에 더 많은 시트레이트를 남긴다는 것을 나타냅니다. 이 흡착 매개 효과는 스펙트럼 차이를 증폭시켜 15AA 쌍에 대한 우수한 식별 정확도 (AUC > 0.96) 에 기여했습니다.
• 모델 해석 가능성: Grad-CAM 시각화는 CNN 의 민감한 스펙트럼 영역이 하이드록실화에 의존적인 것으로 확인된 반복적인 POF 특징과 중첩됨을 확인했습니다. 680, 712, 1016, 1121, 1234 cm⁻¹ 에서 높은 특징 가중치가 관찰되었으며, 15AA 펩타이드의 경우 시트레이트 영역 (1073 cm⁻¹) 에서도 관찰되어 학습된 패턴의 화학적 관련성을 검증했습니다.

의의 및 주장
이 논문은 입자 - 포어 단일 분자 SERS 와 POF 분석 및 딥러닝의 통합이 약한 PTM 서명의 초감도 분석을 위한 강력한 전략을 제공한다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 스펙트럼 이질성 극복: 이 연구는 통계적 재구성 (POF) 과 딥러닝이 본질적으로 이질적이고 노이즈가 많은 단일 분자 SERS 데이터에서 차별화 패턴을 효과적으로 추출할 수 있음을 보여줍니다.
2. 기작적 통찰: 이 작업은 식별이 하이드록실기 자체의 고유한 진동 차이에만 기반하는 것이 아니라, 하이드록실화로 유도된 펩타이드 흡착 행동 및 표면 상호작용 (예: 시트레이트 변위) 의 변화에 의해 크게 증폭된다는 것을 밝힙니다.
3. 확장성: 이 방법은 구조적 복잡성이 증가하는 펩타이드 (최대 15 AA) 에서 PTM 을 성공적으로 식별하여, 흡착 매개 스펙트럼 변화가 더 큰 시스템에서 더 두드러질 수 있음을 시사하며, 이로 인해 검출을 방해하는 것이 아니라 돕는다는 점을 보여줍니다.
4. 라벨 없는 검출: 이 접근법은 저농도 PTM 검출을 위한 질량 분석법 및 항체 기반 방법의 라벨 없는 대안을 제공하여, 잠재적으로 초기 질병 진단 및 단일 분자 수준에서의 단백질 역학 연구가 가능하게 합니다.

저자들은 이 프레임워크가 생체 분자의 미묘한 구조적 및 화학적 변화를 분석하기 위한 유망한 경로를 제공하며, 단일 분자 센싱과 복잡한 생물학적 해석 사이의 간극을 메워준다고 결론지었습니다.