DOI: https://doi.org/10.1002/sstr.202500784
تاريخ النشر: 2026-02-01
المؤلف: Judith Zubia‐Aranburu وآخرون
الموضوع الرئيسي: تقنيات الاستشعار الحيوي والتحليل الحيوي المتقدمة
نظرة عامة
تقدم هذه الدراسة إطارًا جديدًا يدمج تشتت الضوء الديناميكي (DLS) مع التعلم الآلي (ML) لتقييم استقرار هياكل النانو من نوع DNA origami، التي تُعتبر واعدة في توصيل الأدوية والتشخيصات ولكن تواجه تحديات بسبب عدم الاستقرار الهيكلي في الظروف الفسيولوجية. كانت التقييمات التقليدية للاستقرار محدودة بطبيعتها التجريبية، مما دفع إلى تطوير هذا النهج القابل للتوسع والمستند إلى البيانات. تجمع الدراسة مجموعة بيانات تضم أكثر من 1400 قياس عبر ثلاثة أشكال متميزة من DNA origami—الأسطوانات، والمكعبات، والمستطيلات—تحت ظروف متغيرة مثل درجة الحرارة، وتركيز MgCl₂، ودرجة الحموضة، وتركيز DNase I. تم تدريب نموذج ML توافقى يجمع بين مُنظم العمليات الغاوسية (GPR) وغابة عشوائية (RF) للتنبؤ بمعاملات الانتشار، مما يظهر قدرات تنبؤية قوية ويمكّن المجتمع من تحسين توقعات الاستقرار لمجموعة متنوعة من هياكل النانو.
تشير النتائج إلى أن معامل الانتشار يعمل كبديل كمي موثوق للاستقرار الهيكلي، مع استجابات محددة للشكل تم ملاحظتها تحت الضغوط البيئية. أظهرت الهياكل الأسطوانية أعلى استقرار، بينما أظهرت جميع التصاميم تدهورًا كبيرًا تحت الظروف القاسية. لم يتفوق النموذج التوافقي فقط على خوارزميات الانحدار الأخرى، بل تحقق أيضًا بشكل جيد ضد مجموعة بيانات مستقلة، مما يعزز قوته. يمثل إدخال عتبات استقرار محددة للشكل بناءً على توزيعات معامل الانتشار تقدمًا كبيرًا نحو إطار منظم لتقييم الاستقرار فوق الجزيئي. تمهد هذه الدراسة الطريق لأبحاث مستقبلية تهدف إلى تحسين تصاميم DNA origami، مما يعزز قابليتها للتطبيق في السياقات الطبية الحيوية.
مقدمة
في العقد الماضي، اكتسبت هياكل النانو من نوع DNA origami شهرة كأدوات متعددة الاستخدامات للتطبيقات في توصيل الأدوية والحمض النووي، واستهداف مستقبلات الخلايا، والتشخيصات الجزيئية، بفضل قابليتها للبرمجة، ودقتها، وتوافقها الحيوي. ومع ذلك، فإن التحدي الكبير في تطبيقها هو الحفاظ على الاستقرار الهيكلي في الظروف الفسيولوجية، والذي يمكن أن يتعرض للخطر بسبب عوامل مثل درجة الحرارة، وقوة الأيونات، وتغيرات درجة الحموضة، والانحلال الإنزيمي. تم استخدام استراتيجيات متنوعة لتعزيز الاستقرار، بما في ذلك التعديلات التساهمية، والطلاءات الواقية، وطرق التضمين. على الرغم من هذه التقدمات، تعتمد الأساليب الحالية غالبًا على طرق تجريبية تتطلب جهدًا كبيرًا وتفتقر إلى القابلية للتوسع والعمومية عبر ظروف فسيولوجية متنوعة.
لمعالجة هذا التحدي، يقترح المؤلفون إطارًا للتعلم الآلي (ML) يهدف إلى التنبؤ باستقرار هياكل DNA origami تحت ظروف فسيولوجية متغيرة. باستخدام بيانات عالية الجودة تم الحصول عليها من تشتت الضوء الديناميكي (DLS)، جمعت الدراسة أكثر من 1400 قياس لتطوير نموذج ML يلتقط العلاقة بين العوامل البيئية، وهندسة هياكل النانو، والاستقرار. تم التحقق من دقة النموذج التنبؤية بشكل استباقي، مما يظهر إمكانيته كأداة عملية للتصميم العقلاني لهياكل DNA origami مع استقرار معزز مصمم لتطبيقات طبية حيوية محددة. تشير هذه المقاربة إلى تحول نحو منهجيات أكثر نظامية وكفاءة في مجال تكنولوجيا النانو من نوع DNA.
طرق
في هذا القسم، قام المؤلفون بإجراء تحقق استباقي للنموذج لتقييم أداء النماذج ذات الأداء العالي تحت ظروف تجريبية جديدة تجاوزت حدود مجموعة البيانات الأصلية. صمموا تسعة تجارب ووجدوا أن الانحدار باستخدام العمليات الغاوسية مع 2 نواة (GPR-2k) ونموذج توافقي، الذي متوسط توقعات من GPR-2k وغابة عشوائية (RF)، تفوق بشكل كبير على كل من RF وXGBoost في دقة التنبؤ. من الجدير بالذكر أن GPR-2k حافظ باستمرار على قيم منخفضة من خطأ الجذر التربيعي المتوسط (RMSE) عبر مجموعات بيانات متنوعة، بينما حقق النموذج التوافقي أدنى RMSE على البيانات الاستباقية، مما يظهر فوائد دمج الأساليب الاحتمالية والأساليب المعتمدة على الأشجار لتعزيز القوة والعمومية.
تشير النتائج إلى أن ثلاثة فقط من تسعة توقعات كانت خارج التباين التجريبي، مما يبرز موثوقية استراتيجية النمذجة التوافقية. يُعزى الأداء المتفوق للنموذج التوافقي إلى التوقعات السلسة التي تولدها GPR، والتي تتماشى بشكل أقرب مع الطبيعة الفيزيائية للمشكلة، على عكس التغيرات المفاجئة التي تنتج غالبًا عن الأساليب المعتمدة على الأشجار. بالإضافة إلى ذلك، تعزز قدرة GPR على تقديم توقعات احتمالية، بما في ذلك تقديرات عدم اليقين، القابلية للتفسير وتدعم اتخاذ قرارات مستنيرة. بشكل عام، تشير هذه النتائج إلى أن النموذج التوافقي هو نهج واعد لاستكشاف استقرار هياكل DNA origami في السيناريوهات الاستباقية.
نتائج
يقدم قسم النتائج النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والتابعة، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أن التدخل المطبق أدى إلى تحسين قابل للقياس في المقاييس المستهدفة، مما يشير إلى فعاليته.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، موضحة سياقها ضمن الأدبيات الحالية. يؤكد المؤلفون على أهمية نتائجهم في تعزيز فهم الموضوع المقصود ويقترحون طرقًا محتملة للبحث المستقبلي. بشكل عام، تؤكد النتائج على أهمية مساهمات الدراسة في هذا المجال، مما يوفر أساسًا للتحقيقات اللاحقة.
مناقشة
في هذه الدراسة، نجح المؤلفون في تجميع وتوصيف ثلاثة هياكل نانوية متميزة من نوع DNA origami: المكعبات، والمستطيلات، والأسطوانات. تم تنقية الهياكل لإزالة دعامات DNA أحادية السلسلة غير المرتبطة، وتم تأكيد سلامتها باستخدام المجهر القوة الذرية (AFM)، وتشتت الضوء الديناميكي (DLS)، والهلام الكهربائي. بينما تطابقت المستطيلات والأسطوانات مع الأبعاد النظرية عن كثب، أظهرت المكعبات قطرًا متوسطًا أكبر بسبب تأثير التسطح أثناء تصوير AFM. أنشأت الدراسة معامل انتشار كقياس كمي للاستقرار الهيكلي، كاشفة أن الهياكل الأسطوانية أظهرت أعلى استقرار عبر ظروف بيئية متنوعة، بينما كانت الهياكل المستطيلة أكثر عرضة للتدهور، خاصة تحت تغيرات درجة الحموضة والتعرض لـ DNase I.
استخدم المؤلفون تقنيات التعلم الآلي (ML) للتنبؤ بمعاملات الانتشار لهياكل DNA origami بناءً على معلمات الإدخال المختلفة، محققين أداءً مرضيًا مع نماذج مثل الغابة العشوائية وتعزيز التدرج المتطرف. قاموا بتعريف عتبات الاستقرار لكل شكل بناءً على نطاقات معامل الانتشار، مما يمثل تقدمًا كبيرًا في فهم استقرار DNA origami. تشير النتائج إلى أن الهندسة الهيكلية تؤثر بشكل كبير على قوة هياكل النانو من نوع DNA origami، مع تداعيات للبحث المستقبلي الذي يهدف إلى تعزيز استقرار هذه المواد ووظيفتها في تطبيقات متنوعة.
DOI: https://doi.org/10.1002/sstr.202500784
Publication Date: 2026-02-01
Author(s): Judith Zubia‐Aranburu et al.
Primary Topic: Advanced biosensing and bioanalysis techniques
Overview
The research presents a novel framework that integrates dynamic light scattering (DLS) with machine learning (ML) to assess the stability of DNA origami nanostructures, which are promising for drug delivery and diagnostics but face challenges due to structural instability in physiological conditions. Traditional stability assessments have been limited by their empirical nature, prompting the development of this scalable, data-driven approach. The study compiles a dataset of over 1400 measurements across three distinct DNA origami shapes—rods, icosahedrons, and rectangles—under varying conditions such as temperature, MgCl₂ concentration, pH, and DNase I concentration. A consensus ML model combining Gaussian Process Regressor (GPR) and Random Forest (RF) was trained to predict diffusion coefficients, demonstrating strong predictive capabilities and enabling the community to refine stability predictions for diverse nanostructures.
The findings indicate that the diffusion coefficient serves as a reliable quantitative proxy for structural stability, with shape-specific responses observed under environmental stressors. Rod-shaped structures exhibited the highest stability, while all designs showed significant destabilization under extreme conditions. The consensus model not only outperformed other regression algorithms but also validated well against an independent dataset, reinforcing its robustness. The introduction of shape-specific stability thresholds based on diffusion coefficient distributions marks a significant advancement toward a structured framework for evaluating supramolecular stability. This work lays the groundwork for future research aimed at optimizing DNA origami designs, enhancing their applicability in biomedical contexts.
Introduction
In the past decade, DNA origami nanostructures have gained prominence as versatile tools for applications in drug and gene delivery, cell receptor targeting, and molecular diagnostics, owing to their programmability, precision, and biocompatibility. However, a significant challenge in their application is maintaining structural stability under physiological conditions, which can be compromised by factors such as temperature, ionic strength, pH variations, and enzymatic degradation. Various strategies have been employed to enhance stability, including covalent modifications, protective coatings, and encapsulation methods. Despite these advancements, current approaches often rely on labor-intensive experimental methods that lack scalability and generalizability across diverse physiological conditions.
To address this challenge, the authors propose a machine learning (ML) framework aimed at predicting the stability of DNA origami structures under varying physiological conditions. Utilizing high-quality data obtained from dynamic light scattering (DLS), the study compiled over 1400 measurements to develop an ML model that captures the relationship between environmental factors, nanostructure geometry, and stability. The model’s predictive accuracy was validated prospectively, demonstrating its potential as a practical tool for the rational design of DNA origami structures with enhanced stability tailored for specific biomedical applications. This approach signifies a shift towards more systematic and efficient methodologies in the field of DNA nanotechnology.
Methods
In this section, the authors conducted prospective model validation to assess the performance of top-performing models under new experimental conditions that extended beyond the original dataset’s boundaries. They designed nine experiments and found that the Gaussian Process Regression with 2 kernels (GPR-2k) and a consensus model, which averaged predictions from GPR-2k and Random Forest (RF), significantly outperformed both RF and XGBoost in predictive accuracy. Notably, GPR-2k consistently maintained low Root Mean Square Error (RMSE) values across various datasets, while the consensus model achieved the lowest RMSE on prospective data, demonstrating the benefits of combining probabilistic and tree-based approaches for enhanced robustness and generalization.
The findings indicated that only three out of nine predictions fell outside the experimental variance, underscoring the reliability of the consensus modeling strategy. The superior performance of the consensus model is attributed to the smooth predictions generated by GPR, which align more closely with the physical nature of the problem, in contrast to the abrupt changes often produced by tree-based methods. Additionally, GPR’s ability to provide probabilistic predictions, including uncertainty estimates, enhances interpretability and supports informed decision-making. Overall, these results suggest that the consensus model is a promising approach for exploring the stability of DNA origami structures in prospective scenarios.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the independent and dependent variables, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the intervention applied led to a measurable improvement in the targeted metrics, suggesting its efficacy.
Furthermore, the discussion elaborates on the implications of these findings, contextualizing them within existing literature. The authors emphasize the relevance of their results in advancing understanding of the subject matter and propose potential avenues for future research. Overall, the results underscore the importance of the study’s contributions to the field, providing a foundation for subsequent investigations.
Discussion
In this study, the authors successfully assembled and characterized three distinct DNA origami nanostructures: icosahedrons, rectangles, and rods. The structures were purified to remove unbound single-stranded DNA staples, and their integrity was confirmed using atomic force microscopy (AFM), dynamic light scattering (DLS), and gel electrophoresis. While the rectangles and rods matched theoretical dimensions closely, the icosahedrons exhibited a larger mean diameter due to a flattening effect during AFM imaging. The study established a diffusion coefficient as a quantitative measure of structural stability, revealing that rod-shaped structures demonstrated the highest stability across various environmental conditions, while rectangular structures were more susceptible to destabilization, particularly under varying pH and DNase I exposure.
The authors employed machine learning (ML) techniques to predict the diffusion coefficients of DNA origami based on various input parameters, achieving satisfactory performance with models such as Random Forest and Extreme Gradient Boosting. They defined stability thresholds for each shape based on diffusion coefficient ranges, marking a significant advancement in understanding DNA origami stability. The findings suggest that structural geometry significantly influences the robustness of DNA origami nanostructures, with implications for future research aimed at enhancing the stability and functionality of these materials in various applications.