На стыке техники и биологии — разработан первый масштабируемый молекулярный чип

14.10.2024

Недавно созданный чип Roswell Molecular Electronics использует отдельные молекулы в качестве универсальных сенсорных элементов в схеме для создания программируемого биосенсора с чувствительностью к одной молекуле в режиме реального времени.

Любой организм работает, когда отдельные молекулы общаются друг с другом, но наши существующие методы измерения не могут этого обнаружить. Для этого необходимы специальные сенсоры, молекулярные чипы, успешное создание масштабируемог опрототипа которых стало громким событием. Теперь у ученых появится возможность не предсказыавть, а напрямую наблюдать способ коммуникации отдельных молекул.

Первый чип молекулярной электроники, реализующий поставленную 50-лет назад цель интеграции отдельных молекул в схемы для достижения предельных пределов масштабирования закона Мура — создан. Разработанный Roswell Biotechnologies и междисциплинарной командой ведущих академических ученых, чип использует отдельные молекулы в качестве универсальных сенсорных элементов в схеме для создания программируемого биосенсора с чувствительностью к одной молекуле в режиме реального времени и неограниченной масштабируемостью по плотности пикселей сенсора. Это новшество, появившееся на этой неделе в рецензируемой статье в Proceedings of the National Academy of Sciences (PNAS), будет способствовать прогрессу в различных областях, которые в основном основаны на наблюдении за молекулярными взаимодействиями, включая открытие лекарств, диагностику, секвенирование ДНК и протеомика.

Платформа молекулярной электроники состоит из программируемого полупроводникового чипа с масштабируемой архитектурой массива датчиков. Каждый элемент массива состоит из измерителя электрического тока, который отслеживает ток, протекающий по точно спроектированной молекулярной проволоке, соединенной с наноэлектродами, которые соединяют ее непосредственно с цепью. Сенсор программируется путем прикрепления нужной молекулы зонда к молекулярной проволоке через центральный сконструированный сайт конъюгации. Наблюдаемый ток обеспечивает прямое электронное считывание молекулярных взаимодействий зонда в режиме реального времени. Эти измерения тока в пикоамперном масштабе считываются с массива датчиков в цифровой форме со скоростью 1000 кадров в секунду для сбора данных о молекулярных взаимодействиях с высоким разрешением, точностью и пропускной способностью.

Источник: PNAS.
Прицип работы чипа. (А) При наличии пары взаимодействующих молекул одна из пары выбирается в качестве молекулы-зонда и конъюгируется с прецизионной молекулярной проволокой (здесь синтетический α-спиральный белок), которая охватывает наноразмерный зазор между металлическими наноэлектродами. (Б) На поверхности КМОП-чипа изготавливается большой массив датчиков. Показано аннотированное изображение чипа CMOS, используемого в этих исследованиях. (C) Изображение сенсорных наноэлектродов, показывающее зазор 20 нм для молекулярного моста.

Новая платформа молекулярной электроники обнаруживает мультиомные молекулярные взаимодействия в масштабе одной молекулы в режиме реального времени. В документе PNAS представлен широкий спектр молекул-зондов, включая ДНК, аптамеры, антитела и антигены, а также активность ферментов, имеющих отношение к диагностике и секвенированию, включая фермент CRISPR Cas, связывающий ДНК-мишень. Он иллюстрирует широкий спектр применений таких зондов, включая потенциал для быстрого тестирования COVID, открытия лекарств и протеомики.

В статье также представлен датчик молекулярной электроники, способный считывать последовательность ДНК. В этом датчике ДНК-полимераза, фермент, который копирует ДНК, интегрирована в цепь, и в результате получается прямое электрическое наблюдение за действием этого фермента, когда он копирует фрагмент ДНК буква за буквой. В отличие от других технологий секвенирования, основанных на косвенных измерениях полимеразной активности, этот подход обеспечивает прямое наблюдение в режиме реального времени за ДНК-полимеразным ферментом, включающим нуклеотиды. В документе показано, как эти сигналы активности можно анализировать с помощью алгоритмов машинного обучения, чтобы можно было прочитать последовательность.

Теги: