دانشمندان مؤسسه پلی‌تکنیک فدرال در لوزان (EPFL) شیوه‌ای نوین ارائه کردند که با ترکیب نانوحفره‌های زیستی و یادگیری عمیق، تغییرات پروتئین‌ها به طور دقیقی شناسایی می‌شود. این فناوری افق‌های جدیدی برای تشخیص بیماری‌ها می‌گشاید.
پروتئین‌ها را می‌توان به‌عنوان نیروی محرکه سلول‌ها به شمار آورد، زیرا آنها پس از فرایند سنتز معمولاً تحت تغییرات متعددی قرار می‌گیرند. از آنجایی که این تغییرات می‌توانند به طور قابل توجهی بر عملکرد پروتئین درون سلول تأثیر بگذارند، این تغییرات بعد از ترجمه یا PTM در بسیاری از فرایندهای بیولوژیکی حیاتی به حساب می‌آیند.
PTM ها همچنین به عنوان نشانگرهای بیولوژیکی برای شناسایی برخی بیماری‌ها کاربرد دارند، به این معنا که با دقت قابل بررسی و تجزیه و تحلیل قرار می‌گیرند تا از اشتباهات در تشخیص جلوگیری شود. با این حال، روش‌های سنتی از نظر حساسیت و ویژگی با مشکلاتی مواجه هستند، به‌ویژه در مواجهه با غلظت‌های پایین پروتئین‌ها و مدل‌های پیچیده PTM که این رویکردها را با چالش‌های بسیاری روبه‌رو می‌سازد.
اخیراً، دانشمندان EPFL به ارائه شیوه‌ای نوین پرداخته‌اند که حساسیت نانوحفره‌های زیستی را با دقت الگوریتم‌های یادگیری عمیق ترکیب می‌کند. این رویکرد ابتکاری می‌تواند نحوه شناسایی و تحلیل PTM ها را به کلی تغییر دهد.
روش جدید از نانوحفره زیستی برای تشخیص و تمایز پپتیدها بهره می‌برد. گروه دال پرارو پیش‌تر با استفاده از نانوحفره‌های مبتنی بر آئرولیزین، حسگرهایی با وضوح بالا از مولکول‌های پیچیده ساخته و توانسته‌اند حتی اطلاعات ذخیره‌سازی‌شده در ماکرومولکول‌های مصنوعی را بخوانند. این فناوری نانوحفره به قدری حساس است که می‌تواند این پپتیدها را در غلظت‌های پیکومولار شناسایی کند که این امر یک پیشرفت چشمگیر نسبت به روش‌های موجود را نمایان می‌سازد.
ولی این روش چگونه عمل می‌کند؟ با عبور پپتیدها از نانوحفره، آنها تغییرات مشهودی در جریان یون‌ها در نانوحفره ایجاد می‌کنند، که به این جریان عبوری «جریان یونی» اطلاق می‌شود. هر نوع PTM به گونه‌ای منحصر به فرد ساختار پپتید را تغییر می‌دهد و منجر به امضاهای خاصی در جریان می‌شود. با ثبت این تغییرات در جریان، این روش می‌تواند بین انواع مختلف PTM های پپتیدها تمایز قائل شود.
به نقل از ستاد نانو، وجه تمایز این رویکرد از روش‌های سابق در این است که در این فناوری از الگوریتم‌های یادگیری عمیق برای تجزیه و تحلیل داده‌های پیچیده بهره‌گیری می‌شود. این مدل به‌طور مطمئن قادر است امضاهای فعلی پپتیدها و انواع PTM آنها را شناسایی کند و روشی سریع، خودکار و بسیار دقیق برای طبقه‌بندی آنها فراهم آورد.