基于深度学习辅助的纳米孔单分子 SERS 无标签判别天然甲基二氢化酶
生物物理
2026-05-21 v1
摘要
后翻译修饰（PTMs）在调节蛋白质结构、功能和细胞信号传导中发挥着 essential 作用。然而，对天然甲基二氢化酶的单分子水平判别仍然困难。本文报道了一种基于颗粒-孔道单分子表面增强拉曼光谱（SERS）平台，结合峰出现频率（POF）分析和一维卷积神经网络（1D-CNN），用于判别 HIF 肽片段的加氢与非加氢形式。研究了三个包含 Pro-564 加氢位点的肽对，长度分别为 7、9 和 15 个氨基酸（AAs）。POF 分析揭示了 7AA 和 9AA 肽对中呈现可重复的加氢依赖性光谱变化，这些变化归因于吸附构象和表面相互作用的改变。CNN 基于分类的准确率分别为 72.98%、78.55% 和 89.74%，且所有肽对的 AUC 值均超过 0.80，表明判别可靠。梯度加权特征可视化进一步表明，CNN 敏感区域与重复 POF 特征重合，支持所学习分类模式的化学相关性。值得注意的是，对 15AA 肽对而言， citrate 相关峰的增强表明加氢会显著改变肽-金纳米颗粒的吸附行为。这种吸附介导的效应可能放大加氢引起的光谱差异，从而促进了尽管结构更复杂但判别准确率仍得到提高的效果。这些结果表明，借助深度学习，粒子-孔道传感器能够捕捉到肽片段中由加氢引起的光谱和吸附变化，为对弱 PTM 签名的肽进行超灵敏分析提供了有前景的策略。
引用
@article{arxiv.2605.21084,
title = {Label-free SERS Discrimination of Native Proline Hydroxylation at Single-molecule peptide by Deep Learning-assisted plasmonic nanopore},
author = {Yingqi Zhao and Kuo Zhan and Pei-Lin Xin and Yuge Liang and Enock Adjei Agyekum and Matti Putkonen and Shuai Li and Francesco De Angelis and Jianan Huang},
journal= {arXiv preprint arXiv:2605.21084},
year = {2026}
}