Помощь машинного обучения в одно-молекулярном обнаружении для стандарт-независимой количественной оценки пер- и полифторалкильных карбоновых кислот

Почему это важно для повседневной безопасности воды

Невидимые промышленные химикаты, известные как PFAS, проникли в реки, питьевую воду и даже в нашу кровь. Среди них пер- и полифторалкильные карбоновые кислоты (PFCA) особенно вызывают беспокойство, однако их крайне трудно точно измерить, потому что эталонные стандарты существуют лишь для крошечной части из тысяч PFAS в обращении. В этом исследовании представлен новый способ «пересчёта» отдельных молекул PFCA по одной, когда они проходят через крошечное биологическое отверстие, с использованием машинного обучения для распознавания их электрических отпечатков — без необходимости иметь соответствующий лабораторный стандарт для каждого соединения.

Скрытые химикаты в сложном семействе

PFAS — обширное семейство фторсодержащих веществ, применяемых в продуктах от антипригарных покрытий до пен для тушения пожаров. Многие различаются лишь парой атомов, но такие мелкие структурные изменения могут кардинально менять их передвижение в окружающей среде, накопление в организмах и влияние на здоровье. Традиционные методы, такие как жидкостная или газовая хроматография в сочетании с масс-спектрометрией, способны обнаруживать многие PFAS с высокой чувствительностью, но обычно требуют чистого стандарта каждого вещества для надёжной идентификации и количественной оценки. На сегодняшний день коммерческие стандарты доступны лишь для немногим более сотни PFAS — менее одного процента от известных — что оставляет регуляторов и учёных во многом в неведении относительно остальных.

Подсчёт одиночных молекул через крошечный шлюз

Исследователи устраняют этот пробел с помощью белкового нанопора — бубликообразной молекулы, формирующей единичное отверстие в липидной мембране. При приложении напряжения ионы проходят через пору, создавая устойчивый электрический ток. Команда химически прикрепляет отдельные молекулы PFCA к коротким положительно заряженным пептидным «хвостам», которые затягиваются в нанопору как бусины на нитке. Когда каждая пара PFCA–пептид входит и занимает пору, она частично блокирует поток ионов, вызывая кратковременное падение тока, глубина и длительность которого зависят от размера и формы молекулы в поре.

Преобразование сигналов поры в молекулярную линейку

Ключевым прорывом этой работы является то, что эти провалы тока ведут себя как точная измерительная шкала. Сочетая эксперименты с молекулярным моделированием, авторы показывают, что для серии молекул PFCA длиной до 14 углеродных атомов глубина блокировки тока увеличивается почти по идеально прямой линии с ростом объёма молекулы. Иными словами, при выбранных нанопоре и пептиде только объём предсказывает, насколько сильно будет блокирован ток. Это позволило команде прогнозировать электрические сигнатуры других, более сложных PFCA — например, с замещениями водородом или хлором, боковыми цепями или ароматическими кольцами — и экспериментально подтвердить, что предсказания совпадают с реальностью в пределах небольшой погрешности измерения.

Машинное обучение, распознающее сходные загрязнители

Поскольку многие родственники PFCA столь схожи по размеру, что их блокировки перекрываются, учёные использовали всю многогранность сигнала нанопоры. Они извлекли десятки признаков из каждого события, включая длительность, уровень шума и изменение формы сигнала при цифровой фильтрации на разных частотах. С помощью моделей машинного обучения, обученных на этих многомерных отпечатках, им удалось достичь почти идеальной (~99,9 %) точности распознавания среди 13 типов PFCA, включая тесно родственные изомеры. Тщательный отбор наиболее информативных 21 признака снизил сложность модели и даже улучшил её работу, даже когда целевое соединение было замаскировано присутствием других PFCA в концентрации в 100 раз выше.

От подсчёта одиночных молекул к реальным тестам воды

Помимо идентификации, методу необходимо уметь измерять количество каждого PFCA. Здесь команда использует скорость захвата пар PFCA–пептид нанопорой: среднее время между событиями сокращается по мере роста концентрации. Продуманная конструкция пептида обеспечивает, что эта скорость захвата определяется главным образом зарядом пептида и электрическим ландшафтом поры, а в меньшей степени — тем, какой PFCA прикреплён. Это означает, что одна калибровочная кривая — связывающая частоту событий с концентрацией — может быть общей для многих PFCA, что авторы называют «одна калибровочная кривая на всех». Они подтверждают универсальность подхода в смесях и в сложных образцах, таких как водопроводная вода и сыворотка, показывая точный подсчёт даже в присутствии многих других химикатов и достигая пределов обнаружения для ульtrakороткой PFCA трифторацетовой кислоты, сопоставимых с лучшими методами масс-спектрометрии.

Новый путь к мониторингу PFAS без индивидуальных стандартов

В совокупности эта работа очерчивает путь к мониторингу широкого круга загрязнителей PFCA без необходимости индивидуального стандарта для каждого. Тщательно спроектированные нанопора и пептидный зонд создают простую линейную связь между размером молекулы и сигналом, а машинное обучение отделяет тонкие особенности сигнала, позволяя разграничивать даже почти идентичные изомеры. Регулируя «барьеры» на входе и выходе поры, авторы показывают в экспериментах и моделях, как ту же стратегию можно расширить на PFCA с более длинными цепями и потенциально на более широкое семейство PFAS. Для широкой публики это означает перспективный новый способ видеть и измерять химикаты, которые долгое время оставались в значительной степени невидимыми в нашей воде и окружающей среде.

Цитирование: Zuo, J., Li, HS., Tang, W. et al. Machine learning assisted single-molecule sensing towards standard-free quantification of per- and polyfluoroalkyl carboxylic acids. Nat Commun 17, 3923 (2026). https://doi.org/10.1038/s41467-026-70718-3

Ключевые слова: PFAS, нанопоровое сенсирование, одно-молекулярное обнаружение, машинное обучение, загрязнители воды