使用液体提取表面分析-并联质谱法 (LESA-MS/MS) 对一个大型聚合物库的蛋白质吸附的高吞吐量分析
Joris Meurs1, Aishah Nasir1,2, Grazziela P Figueredo3
1School of Pharmacy, University of Nottingham, Nottingham, NG7 2RD, U.K.
Analytical chemistry
|June 10, 2025
概括
研究人员开发了一种新方法,用液体提取表面分析与质谱学相结合,对合成聚合物上的蛋白质吸附量进行定量分析. 这使得能够合理设计用于医疗应用的先进生物材料.
科学领域:
- 材料科学 材料科学 材料科学
- 生物技术是生物技术.
- 分析化学 分析化学
背景情况:
- 生物材料在医学中至关重要,合成聚合物用于隐形眼镜和关节置换等设备.
- 机器学习已经确定了用于控制细胞附着和命运的聚合物,但理解蛋白质吸附是关键.
- 生物材料上的蛋白质预吸收显著影响细胞反应,但选方法有限.
研究的目的:
- 开发和验证一种用于分析聚合物微阵列上的蛋白质吸附的定量方法.
- 建立预测性机器学习模型,将聚合物特征与蛋白质吸附相关联.
- 为了促进具有量身定制的蛋白质相互作用特性的生物材料的合理设计.
主要方法:
- 利用一个208个成员的聚合物微阵列进行高通量选.
- 使用液体提取表面分析 (LESA) 结合滴滴微阵列 (DMA) 适应.
- 综合联质谱 (MS/MS) 用于精确的蛋白质识别和量化.
- 使用定义的四蛋白细胞培养基 (基本8) 进行方法演示.
主要成果:
- 在多样化的聚合物库中成功量化了蛋白质吸附.
- 产生了精确的,可预测的蛋白质吸附的机器学习模型.
- 确定了控制蛋白相互作用的关键聚合物表面化学特征.
- 证明了LESA-MS/MS方法用于蛋白质吸附分析的可行性.
结论:
- 开发的LESA-MS/MS方法提供了对蛋白质表面相互作用的定量见解.
- 机器学习模型可以根据聚合物特性预测蛋白质吸附.
- 这种方法有助于合理设计用于医疗器械和体外应用的新生物材料.


