分享一篇发表在JACS上的文章，文章的题目是“Proteome Fishing for CRISPR/Cas12a-Based Orthogonal Multiplex Aptamer Sensing”，通讯作者为杭州医学研究所的谭蔚泓院士以及刘远研究员，其中谭老师在核酸适配体，分子识别以及纳米生物传感等领域有着杰出贡献；刘老师对纳米蛋白组学，机器学习，纳米医学等领域有着深入的研究。
在临床诊断中，无创或微创的体液活检（例如对血液或尿液中的生物标志物检测）由于其操作简单且易于解读，在癌症早期诊断中受到广泛青睐。以往的研究主要集中于ctDNA以及miRNA等核酸生物标志物，但对于蛋白生物标志物的检测则由于其血清中蛋白复杂的生物背景以及难以精准定量等问题而面临巨大的挑战。在本文中，针对以上问题，作者开发了一种使用磁性纳米颗粒-蛋白冠和多重适配体进行蛋白生物标志物捕获，并通过基于CRISPR/Cas12a的正交多重适配体传感（COMPASS）平台进行定量检测的蛋白质组学方法。该方法通过将磁性纳米粒子MNPs与血清共孵育形成蛋白冠，而后加入9种癌症相关的蛋白生物标志物的核酸适配体与蛋白冠上的相关蛋白进行特异性结合。随后将核酸适配体洗脱并通过CRISPR/Cas12a进行剪切以释放核酸适配体上被BHQ淬灭的FAM荧光分子，即可通过酶标仪对适配体结合蛋白进行快速定量。通过对健康对照和患者的蛋白生物标志物进行定量比对即可实现癌症的诊断。随后作者在非小细胞肺癌（NSCLC）上验证了该方法的诊断准确性。这里作者构建一个基于全连接神经网络（FCNN）算法的机器学习模型，并计算了ROC-AUC面积。结果显示这一方法的ROC-AUC达到了98.81%，对NSCLC患者和健康对照有着显著的区分能力。后续作者进一步评估了9种核酸适配体在区分NSCLC患者和健康对照中的贡献，并从中筛选出了4种具有最大贡献值的核酸适配体，组成针对NSCLC的FOON检测面板，并能达到相较于原先更高的99.40%的ROC-AUC，可以通过较少的检测单元实现更加准确的疾病诊断。总之，本文开发了一种简便的蛋白质组捕获和多重适配体检测平台，并结合人工智能的方法直接从血清中的蛋白生物标志物进行疾病诊断，为基于血液的高通量癌症筛查提供了一个新的思路。https://pubs.acs.org/doi/10.1021/jacs.4c03061原文引用：DOI：10.1021/jacs.4c03061
目前评论：