🔬 materials science

Hidden Markov model analysis to fluorescence blinking of fluorescently labeled DNA

本研究采用隐马尔可夫模型分析对荧光标记 DNA 的闪烁行为进行了定量表征，揭示了其 ON 态持续时间符合指数分布，而 OFF 态持续时间则遵循对数正态分布。

原作者： Tatsuhiro Furuta, Shuya Fan, Tadao Takada, Yohei Kondo, Mamoru Fujitsuka, Atsushi Maruyama, Kiyohiko Kawai, Kazuma Nakamura

发布于 2026-09-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tatsuhiro Furuta, Shuya Fan, Tadao Takada, Yohei Kondo, Mamoru Fujitsuka, Atsushi Maruyama, Kiyohiko Kawai, Kazuma Nakamura

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在生物学的微观世界中，科学家经常将微小的发光标签附着在 DNA 链上，以观察它们的移动和相互作用方式。这些荧光分子就像微型灯泡一样，在吸收能量时开启，在释放能量时关闭。在显微镜下，这些分子并非稳定地发光；相反，它们会以一种被称为“闪烁”的混沌模式忽明忽暗。这种闪烁并非随机噪声，而是分子内部状态的记录。当标签发光时，它处于健康、活跃的状态。当它变暗时，它已转入一种隐藏的、非活跃的状态，这通常是因为一个电子移走了，从而产生了暂时的电荷失衡。准确了解这些分子保持亮灭状态的具体时长以及它们为何切换，能够揭示 DNA 行为以及电子如何在其中移动的基本物理学原理。然而，这些微小灯光的信号往往被淹没在大量的静态噪声和干扰之中，使得区分真实的开关切换与单纯的故障变得异常困难。

日本的一个研究小组开发出了一种新方法，能够穿透这种噪声并读取这些闪烁灯光的真实故事。他们研究了标记有特定荧光染料的 DNA 链，观察其光信号在明亮状态与黑暗状态之间切换的过程。由于原始数据非常杂乱，科学家们转向了一种称为“隐马尔可夫模型”的机器学习技术。可以将这种方法想象成一个复杂的过滤器，它观察一个充满噪声的信号，并推断出底层发生的可能最真实的事件序列，从而有效地将真实的开关切换从背景静态噪声中分离出来。通过将这种技术应用于四十个不同 DNA 分子的轨迹，该团队成功重建了每个分子何时发光以及何时变暗的清晰、可靠的历史，无论原始记录中有多少噪声。

在获得这些清晰信号后，研究人员测量了分子在每种状态下停留的时间。他们发现了一个清晰且独特的计时模式。分子在熄灭前保持发光的时间遵循一个简单且可预测的规则：它保持亮灭状态的时间越长，在任何给定时刻熄灭的可能性就越大，这就像抛硬币一样，无论你之前已经抛出了多少次反面，正面出现的概率保持不变。这表明从发光到变暗的切换是一个突然的、偶然的事件，它以恒定的概率发生。相比之下，分子在黑暗状态下停留后再回到亮态的时间则要复杂得多。黑暗时段的持续时间并不遵循简单的规则；相反，数据符合一种被称为“对数正态分布”的特定统计形状。这种模式意味着回归到发光状态并非由单一的随机事件驱动，而很可能是由许多微小的、独立的因素随时间共同作用的结果。

为了理解这些转变的本质，研究人员将他们的发现与工程师分析电子元件（如半导体）的失效率进行对比。在那个领域，随时间变化的恒定失效率表示随机的、偶然的故障，而变化的速率则暗示了磨损过程。分析显示，从发光状态到黑暗状态的转变表现得完全像是一种随机故障，证实了分子仅仅是由于偶然因素失去了发光能力。然而，从黑暗状态回到发光状态的过程则讲述了另一个故事。分子恢复的速率随时间而变化：它起初较低，上升至一个峰值，然后再次下降。这种行为类似于系统承受压力时的“磨损”期，但有一个转折：与一台坏掉后直到彻底报废的机器不同，这些分子最终会恢复。恢复速率的峰值出现在 5 毫秒左右，大多数分子在约 30 毫秒内回到了发光状态。

该研究还探讨了数据采集方式如何影响结果。研究人员使用不同的时间间隔测试了他们的分析，间隔范围从极短的 62.5 微秒到较长的 250 微秒不等。他们发现，虽然具体数值会根据使用的间隔略有变化，但基本模式保持不变。发光阶段始终遵循简单的规则，而黑暗阶段始终遵循复杂的、多因素驱动的模式。这种一致性让研究人员确信，他们的发现是稳健的，而非仅仅是测量方式产生的伪影。通过成功应用机器学习来剥离噪声，该团队为观察荧光 DNA 的隐藏生命提供了更清晰的视角，揭示了向黑暗的切换是一个随机的意外，而重返光明的旅程则是一个由许多微小影响共同驱动的复杂过程。

技术摘要：标记 DNA 荧光闪烁的隐马尔可夫模型分析

问题陈述
荧光标记 DNA 是了解 DNA 动力学的重要分子生物化学与生物物理学工具。这类系统的一个显著特征是“荧光闪烁”，即分子在发射态（ON）与非发射态（OFF）之间交替，后者对应于电荷分离态。虽然这些转变的轨迹包含了有关分子组成、形状和相互作用的有价值信息，但原始时间序列数据受到严重噪声（例如基质发射）的干扰。当噪声水平接近或超过荧光信号时，定量区分 ON 和 OFF 状态变得具有歧义，导致持续时间统计和闪烁图谱不可靠。现有的平滑方法（如移动平均法）在处理高噪声轨迹时往往无法稳定识别状态，容易产生人为的短持续时间事件。

方法论
为了解决噪声抑制和状态识别的挑战，作者应用了隐马尔可夫模型（HMM），这是一种通常用于金融到材料科学等领域的时间序列分析机器学习技术。

实验设置： 本研究利用了标记有荧光团 ATTO655 和空穴捕获分子（ZG）的 DNA 单分子测量荧光波动数据。测量是在一台具有 80 nsec 时间分辨率的定制共聚焦显微镜下进行的。
HMM 框架： 该模型将观测到的光子计数 ( $I$ ) 处理为由隐藏内部状态 ( $S$ ) 生成的数据，具体为 ON 和 OFF 状态（ $K=2$ ）。每个状态的观测数据分布被假设遵循高斯分布。模型参数（初始概率、转移矩阵和分布参数）通过阻塞吉布斯采样（blocking Gibbs sampling）进行贝叶斯推断。
持续时间分析： 一旦重建了隐藏状态时间序列 ( $S$ )，即可提取连续 ON ( $\tau_{ON}$ ) 和 OFF ( $\tau_{OFF}$ ) 事件的持续时间。研究者计算了不同时间箱大小（ $\Delta = 250, 125, \text{以及 } 62.5$ $\mu$ sec）下的概率密度函数 (PDF)，以评估对时间箱的依赖性。
模型拟合与验证： 作者将提取的持续时间 PDF 与各种理论分布进行了拟合。对于 ON 持续时间，测试了指数函数。对于 OFF 持续时间，对比了对数正态分布、Weibull 分布和 Gamma 分布。通过均方根误差 (RMSE)、决定系数 ( $R^2$ ) 和用于计算 p 值的 Kolmogorov-Smirnov (KS) 检验来评估拟合优度。
失效率分析： 为了解释转变的物理本质，作者应用了来自半导体器件测试可靠性工程的概念。他们计算了失效率 $\lambda(\tau)$ 和生存函数 $R(\tau)$ ，以将 ON $\to$ OFF 和 OFF $\to$ ON 过程分类为“偶然”（随机）或“磨损”事件。

关键结果

噪声抑制与状态识别： HMM 成功重建了隐藏状态轨迹，有效地抑制了掩盖原始数据中 ON/OFF 切换的噪声。与移动平均法不同，HMM 能够稳定识别状态转变，即使在具有显著噪声的轨迹中也不会产生伪造的短持续时间事件。
持续时间分布：
- ON 持续时间： ON 持续时间 ( $\tau_{ON}$ ) 的概率密度可以用指数函数 ( $P(\tau_{ON}) \propto e^{-\tau_{ON}/s}$ ) 很好地描述。拟合参数得到的 KS 检验 p 值在 0.2 到 0.6 之间，证实了模型的有效性。
- OFF 持续时间： OFF 持续时间 ( $\tau_{OFF}$ ) 最好的描述是对数正态函数。替代分布（Weibull 和 Gamma）未能准确拟合数据，特别是在低估峰值高度和未能捕捉尾部行为方面。对数正态模型得到的 p 值约为 0.3，显著高于 0.05 的显著性阈值。
时间箱依赖性： 随着时间箱大小 ( $\Delta$ ) 的减小，估计的 ON 和 OFF 状态的特征弛豫时间也随之变短。作者将其归因于在使用更高时间分辨率时，较长的持续时间事件被拆分为较短的事件。
失效率特征：
- ON $\to$ OFF 转变： 发现失效率 $\lambda(\tau_{ON})$ 为常数。这种行为对应于半导体可靠性浴缸曲线中的“随机失效期”，表明从发射态到电荷分离态的转变是一个偶然事件。
- OFF $\to$ ON 转变： 失效率 $\lambda(\tau_{OFF})$ 表现出非单调行为：它最初增加，达到峰值（约 5 msec），然后下降。虽然初始增加类似于“磨损”阶段，但随后的下降与标准半导体模型中磨损导致必然失效的情况不同。作者认为这反映了电荷复合过程的具体动力学，即返回基态的概率随时间而变化。

意义与主张
本文声称，隐马尔可夫模型是定量分析噪声环境下荧光闪烁的高效工具。通过成功识别潜在的随机过程，本研究确立了以下结论：

ON 态衰减是一个无记忆的随机过程。
OFF 态寿命遵循乘性随机过程（由对数正态分布指示），这意味着电荷分离态的稳定性受多个独立因素控制。
应用借鉴自半导体可靠性工程的失效率分析，为转变机制提供了新颖的物理阐释，区分了偶然切换与具有时间依赖性失效概率的过程。

作者得出结论，尽管目前的分析假设噪声为高斯噪声，但 HMM 框架是稳健且具有适应性的。他们认为，这类机器学习技术对于从环境噪声显著的单分子数据中提取定量物理见解至关重要。

类似论文