基于机器学习的纳米酶适配体传感器阵列，用于精确区分和灵敏量化犬尿氨酸代谢物

时间：2026年3月15日

来源：Biosensors and Bioelectronics

编辑推荐：

色氨酸代谢途径（KP）代谢物的多组分同步检测与定量分析平台，整合了铁卟啉纳米酶、特异性aptamers阵列及机器学习算法，实现宽线性范围（0.01-2.0 μg/mL）与超低检测限（6.4-9.0 ng/mL），并通过LDA、HCA、RF和ANN模型实现100%鉴别准确率及抗干扰能力，适用于血清样本的早期疾病诊断与病理机制研究。

姜文彦|张珊|李玉婷|李宇轩|何洪明|梁晓|李全顺

教育部分子酶学与工程重点实验室，吉林大学生命科学学院，长春130012，中国

摘要

犬尿氨酸途径（KP）的代谢物与生理稳态和病理进程密切相关，是重要的疾病生物标志物。然而，在分析生物学中，高效地同时区分和定量这些结构相似的代谢物仍然是一个持续的挑战。在此，我们通过整合适配体（Apt）、基于铁中心卟啉芳香框架的纳米酶（PAF(Fe）和机器学习算法，开发了一个准确的检测平台。具体来说，PAF(Fe)分别与五种针对KP代谢物的不同适配体结合，生成了五种PAF(Fe)-Apt结合物，并将其组装成适配体传感器阵列。当目标KP代谢物与PAF(Fe)-Apt上的相应适配体结合时，会抑制PAF(Fe)的过氧化物酶样活性，从而引起特定的信号减弱。该阵列对所有五种KP代谢物显示出0.01-2.0 μg/mL的宽线性范围和低检测限。此外，线性判别分析、层次聚类分析和随机森林算法实现了100%的区分准确性，而双输出人工神经网络模型则促进了这些代谢物的同时定性和定量检测。此外，该平台不仅能够对多组分KP代谢物混合物进行100%的精确分类，而且对结构相似的干扰物没有交叉反应，并且对金属离子和生物分子具有很强的抗干扰能力。此外，该平台在血清样本检测中表现出可靠的性能，回收率范围为98.39%至106.65%，并且可以通过用户友好的网页界面实时输出结果。总体而言，这项工作建立了一个强大的工具，用于全面的KP代谢物分析，在疾病的早期诊断和相关病理研究中具有巨大潜力。

引言

色氨酸是人体不可或缺的氨基酸之一，主要通过三条代谢途径分解，包括血清素途径、吲哚途径和犬尿氨酸途径（KP）（Xue等人，2023；Yates，2025）。KP途径约占色氨酸分解的95%，并作为连接能量代谢、免疫调节和神经功能的关键代谢枢纽（Liu等人，2025；Platten等人，2019；Trefny等人，2025）。通过一系列酶促反应，KP途径生成了一系列下游代谢物，如犬尿氨酸（KYN）、黄尿酸（XA）、3-羟基安息香酸（3-HA）和3-羟基犬尿氨酸（3-HK）（Yan等人，2024）。这些KP代谢物的稳态与人体生理状态密切相关，其失调会促进各种疾病的发病和进展（Cervenka等人，2017；Tang等人，2025；Wang等人，2025）。例如，在抑郁症、类风湿性关节炎和某些癌症患者中观察到血清KYN水平升高，因为KYN的积累会抑制T细胞免疫反应（Chen等人，2025；Wu等人，2025；Zhang等人，2025a）。KA是一种具有神经保护作用的代谢物，在阿尔茨海默病和帕金森病患者的脑脊液中浓度降低（Knapskog等人，2023）。此外，血清XA的增加会通过促进胰腺β细胞和脂肪组织的氧化应激和线粒体功能障碍来诱导胰岛素抵抗，这与2型糖尿病及其并发症密切相关（Liu等人，2023）。因此，准确检测KP代谢物对于疾病的早期诊断、病理机制研究和治疗效果评估至关重要。

到目前为止，已经建立了多种用于检测KP代谢物的分析方法，包括高效液相色谱（HPLC）和液相色谱-串联质谱（LC-MS/MS）（Lefèvre等人，2019；Pedraz-Petrozzi等人，2023）。这些技术具有出色的灵敏度和特异性，被认为是小分子量化的“金标准”。然而，它们的固有局限性严重限制了它们在资源受限的环境和即时检测场景中的应用（Tabibi等人，2025）。具体来说，这些方法依赖于昂贵且笨重的仪器，需要复杂的样品预处理和专业的操作，并且检测周期相对较长。相比之下，基于适配体传感器的检测技术作为一种有前途的替代方案出现，它们具有与抗体相当的亲和力和特异性，同时具有优异的稳定性和易于化学修饰的特性（Qiu等人，2025；Tian等人，2025）。值得注意的是，将适配体传感器与纳米酶结合使用，纳米酶是一种具有内在酶模拟活性的纳米材料，可以增强信号放大和提高检测灵敏度（Huang等人，2024；Zhang等人，2026）。先前的研究试图从包含30个核苷酸随机区域的DNA文库中通过高通量筛选工作流程分离出高亲和力的适配体（Yoshikawa等人，2022）。尽管已经成功获得了对大多数分析物具有强结合亲和力的适配体，但这些序列对不同的KP代谢物存在显著的交叉反应。具体来说，KP代谢物（如KYN、XA、KA）具有相似的吲哚环骨架，这种结构相似性导致适配体与非目标物之间的显著交叉反应，使得单个适配体无法同时准确区分和定量多种KP代谢物。

机器学习驱动的传感器阵列的出现为这一瓶颈提供了创新的解决方案（Li等人，2024；Song等人，2026）。类似于哺乳动物的嗅觉或味觉系统，传感器阵列由多个具有部分重叠选择性特征的传感元件组成，每个元件对不同的分析物产生独特的响应信号（Wang等人，2024；Zhang等人，2025c）。通过整合这些信号，可以从复杂的高维信号数据中提取出特征性的“指纹”（Su等人，2025；Yadav等人，2025；Yang等人，2025；Yang等人，2025）。对于KP代谢物，个别适配体中的结构相似性引起的交叉反应可以通过适配体阵列转化为可区分的信号差异。每个适配体对不同的KP代谢物显示出不同的交叉反应特征，使机器学习模型能够有效地识别和区分这些微妙的变化（Liu等人，2026）。因此，将基于纳米酶的适配体整合到这样的阵列中，并结合机器学习，提供了一种可行的方法来克服交叉干扰。

在这项研究中，我们构建了一个集成了适配体、纳米酶和机器学习算法的协同检测平台（方案1）。具体来说，合成了一种以铁中心卟啉芳香框架为基础的纳米酶（PAF(Fe)），其末端具有羧基作为核心传感元件，然后将五种针对KP代谢物的不同胺功能化适配体分别与羧基化的PAF(Fe)结合，构建了适配体传感器阵列，称为PAF(Fe)-Apt。这些适配体选自之前的一项研究（Yoshikawa等人，2022），其结合亲和力和序列特异性使用Z分数指标进行了统计表征，详见表S1。在这些候选者中，三种适配体被鉴定为高度特异性的，其解离常数分别为388.4 nM、3.7 μM和56.5 μM，分别针对3-HK、KA和XA。在没有目标KP代谢物的情况下，PAF(Fe)-Apt能够有效催化3,3',5,5'-四甲基联苯胺（TMB）的氧化，产生具有强吸收信号的蓝色产物。当引入KP代谢物时，特定的适配体-目标结合会直接阻塞PAF(Fe)的催化活性位点，从而抑制TMB的氧化效率，为每种PAF(Fe)-Apt结合物生成独特的代谢物依赖性信号减弱特征。机器学习解码这些多变量信号特征，并将减弱幅度与代谢物的身份和浓度相关联，从而实现多种KP代谢物的准确多重检测。这些组件协同作用，支持平台的传感性能。适配体传感器作为目标识别元件，纳米酶用于定量信号转导的信号放大，而机器学习是解码多变量信号的专用方法。这种集成设计能够识别潜在的特征信号并建立浓度-信号相关性，克服了单一技术的局限性，提高了平台检测多种KP代谢物的分析性能。

材料

色氨酸、酪氨酸、组氨酸、苯丙氨酸、KYN、KA、3-HK、3-HA和XA从Sigma-Aldrich（中国上海）购买。乳糖、尿素、葡萄糖和柠檬酸由Yuanye公司（中国上海）提供。5,10,15,20-四（[（三甲基硅基）乙炔基]-苯）卟啉从Tengqian公司（中国上海）购买。四丁基氨氟化物（TBAF，1.0 M溶液在四氢呋喃中）和三乙胺（Et₃N从Macklin（中国上海）获得。碘化铜(I)（CuI，98%）

PAF(Fe)-Apt纳米酶的制备和表征

受到基于纳米酶的生物传感系统在生物医学检测、环境监测和食品安全分析中日益增长的关注和广泛应用的影响，这类系统在催化稳定性、成本效益和制备可行性方面比传统的基于酶的传感器具有显著优势（Ding等人，2025；Soto Martinez等人，2025；Zhang等人，2025b；Zhang等人，2025d）。为了利用这些固有的优势进行实际生物传感

结论

总结来说，我们开发了一个检测平台，通过整合PAF(Fe)纳米酶、针对KP代谢物的适配体和机器学习算法，实现了KP代谢物的准确区分和灵敏定量。这五个适配体传感器显示出宽线性范围（0.01-2.0 μg/mL）和低LOD（6.4-9.0 ng/mL）。值得注意的是，机器学习的整合使适配体阵列具备了在单分析物和多分析物情况下精确区分KP代谢物种类的能力

CRediT作者贡献声明

张珊：验证、调查、正式分析、数据管理。姜文彦：撰写——原始草稿、方法学、正式分析、数据管理。梁晓：撰写——审阅与编辑、监督、项目管理、资金获取、概念化。何洪明：验证、资源管理、调查。李宇轩：正式分析。李玉婷：可视化、验证。李全顺：撰写——审阅与编辑、监督、资金获取