Maskininlärningshjälpt enkelmolekylsdetektion för standardfri kvantifiering av per- och polyfluoralkylkarboxylsyror

Varför detta spelar roll för vardaglig vattensäkerhet

Osynliga industrikemikalier som kallas PFAS har trängt in i floder, dricksvatten och till och med i våra blodomlopp. Bland dem är per- och polyfluoralkylkarboxylsyror (PFCAs) särskilt oroande, men de är extremt svåra att mäta noggrant eftersom referensstandarder endast finns för en mycket liten del av de tusentals PFAS som används. Denna studie introducerar ett nytt sätt att "räkna" individuella PFCA-molekyler en och en när de passerar genom ett litet biologiskt hål, där maskininlärning används för att känna igen deras elektriska fingeravtryck — utan att behöva en matchande laboratoriestandard för varje förening.

Dolda kemikalier i en komplex familj

PFAS är en vidsträckt familj av fluor-rika kemikalier som används i produkter från non-stick-pannor till brandskum. Många skiljer sig åt bara med några atomer, men dessa små strukturella förändringar kan dramatiskt påverka hur de rör sig i miljön, bygger upp sig i levande organismer eller påverkar hälsan. Traditionella tekniker som vätske- eller gaskromatografi kopplad till massespektrometri kan detektera många PFAS med hög känslighet, men de kräver vanligtvis en ren standard för varje kemikalie för att identifiera och kvantifiera den tillförlitligt. Hittills finns kommersiella standarder för lite mer än hundra PFAS — mindre än en procent av de kända — vilket lämnar tillsynsmyndigheter och forskare till stor del i mörkret om resten.

Räkna enkelmolekyler genom en liten port

Forskarna tar sig an denna brist med en proteinnanopore: en donutformad molekyl som bildar ett enda hål i ett lipidskikt. När en spänning appliceras flödar joner genom poren och ger en jämn elektrisk ström. Gruppen kopplar kemiskt individuella PFCA-molekyler till korta positivt laddade peptid-"ledare" som dras in i nanoporen som pärlor på en tråd. När varje PFCA–peptidpar går in och upptar poren blockerar det delvis jonflödet, vilket ger ett kortvarigt fall i strömmen vars djup och varaktighet beror på molekylens storlek och form i poren.

Förvandla por-signaler till en molekylmåttstock

Ett avgörande genombrott i detta arbete är att dessa strömdippar beter sig som en precis mätsticka. Genom att kombinera experiment med molekylära simuleringar visar författarna att för en serie PFCA-molekyler upp till 14 kol långa ökar djupet på strömblockaden i en nästan perfekt rak linje med molekylens volym. Med andra ord, när nanoporen och peptiden är valda förutsäger volymen ensam hur starkt strömmen blockeras. Detta gjorde det möjligt för teamet att förutsäga den elektriska signaturen för andra, mer komplexa PFCAs — såsom de med väte- eller klor-substitutioner, sidokedjor eller aromatiska ringar — och experimentellt bekräfta att förutsägelserna matchade verkligheten inom den lilla mätfelets marginal.

Maskininlärning som känner igen snarlika föroreningar

Eftersom många PFCA-släktingar är så lika i storlek att deras blockader överlappar, utnyttjade forskarna sedan hela nanoporesignalens rikedom. De extraherade dussintals egenskaper från varje händelse, inklusive hur länge den varar, hur brusig den är och hur dess form förändras när signalen digitalt filtreras vid olika frekvenser. Med maskininlärningsmodeller tränade på dessa mångdimensionella fingeravtryck uppnådde de nästan perfekt (cirka 99,9 %) identifieringsnoggrannhet över 13 PFCA-typer, inklusive nära besläktade isomerer. Genom noggrant urval av de mest informativa 21 egenskaperna minskade de modellens komplexitet samtidigt som prestationen faktiskt förbättrades, även när målkemikalien var begravd bland störande PFCA:er med 100 gånger högre koncentration.

Från enkelmolekylsräkning till tester i verkliga vattenprover

Utöver identifiering måste metoden också mäta hur mycket av varje PFCA som finns närvarande. Här utnyttjar teamet hastigheten med vilken PFCA–peptidpar fångas av nanoporen: den genomsnittliga tiden mellan händelser krymper när koncentrationen ökar. Genomtänkt peptiddesign säkerställer att denna fångsthastighet huvudsakligen bestäms av peptidens laddning och porens elektriska landskap, och mycket mindre av vilken PFCA som är fäst. Det innebär att en enda kalibreringskurva — som relaterar händelsefrekvens till koncentration — kan delas mellan många PFCAs, vilket möjliggör vad författarna kallar "en kalibreringskurva passar alla." De validerar denna universalitet i blandningar och i komplexa prover som kranvatten och serum, visar att noggranna räkningar är möjliga även i närvaro av många andra kemikalier, och uppnår detektionsgränder för den ultrakorta PFCA:n trifluorättiksyra som är jämförbara med de bästa massespektrometrimetoderna.

En ny väg för att spåra PFAS utan specialstandards

Tillsammans skisserar detta arbete en väg för att övervaka en bred grupp PFCA-föroreningar utan att behöva en skräddarsydd standard för var och en. En noggrant konstruerad nanopore och peptidprobe skapar en enkel linjär koppling mellan molekylstorlek och signal, medan maskininlärning pusslar isär subtila signalfunktioner för att särskilja även nästan identiska isomerer. Genom att ytterligare finjustera porens ingångs- och utgångs"barriärer" visar författarna, i experiment och simuleringar, hur samma strategi kan utvidgas till längre kedje-PFCA:er och potentiellt till det bredare PFAS-universumet. För allmänheten innebär detta ett lovande nytt sätt att se och mäta kemikalier som länge varit till stor del osynliga i vårt vatten och i miljön.

Citering: 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

Nyckelord: PFAS, nanoporlösning, enkelmolekylupptäckt, maskininlärning, vattenföroreningar