组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
比色生物传感器
检测对象
肌酸激酶（creatine kinase, CK）、乳酸脱氢酶（lactate dehydrogenase, LDH）、乳酸（lactate, Lac）、烯醇酶（enolase, EN）、谷氨酸（glutamate, Glu）；样品基质为模拟体液/血液的缓冲液（非真实临床样品）
检测原理
系统以酶催化反应实现生物标志物的二值化逻辑处理。STI模式中，CK与ATP反应生成ADP，PK利用PEP将ADP转化为丙酮酸，PDH在CoA存在下将丙酮酸转化为NADH；LDH与Lac反应也生成NADH并产生丙酮酸，后者再经PDH生成NADH，形成级联放大。只有CK、LDH、Lac同时处于logic-1时，340 nm吸光度才超过阈值。TBI模式中，EN与2-PGA生成PEP，PK与ADP生成丙酮酸，POx与磷酸盐生成H2O2，HRP催化TMB氧化为TMBox，655 nm吸光度升高；Glu与GluOx生成H2O2后同样经HRP/TMB显色。PEP、ADP、磷酸盐和CoA作为切换输入选择STI或TBI路径。
检测灵敏度
原文未报告LOD、线性范围、灵敏度斜率或相关系数。判定阈值：STI 0.5 OD；TBI 0.02 OD；采样时间 800 s。
效应效果
在模拟生理条件下，系统通过8个AND逻辑门实现多标志物联合判定。STI模式仅当CK、LDH和Lac同时为logic-1时，NADH吸光度高于0.5 OD，logic-0与logic-1输出至少相差2倍；TBI模式在EN或Glu任一为logic-1时，TMBox吸光度高于0.02 OD，0,0组合与其他组合显著分离。论文未报告RSD、实际样品回收率或真实临床样品验证，也未与ELISA、HPLC或qPCR进行直接对比。作者认为该酶逻辑网络可通过联合分析复杂标志物模式提高诊断特异性、降低单标志物误报，展示生物计算用于数字生物传感器网络的潜力，并指出未来可转向电化学读出和微创电极集成。
传感器的构成
- 反应介质层：TBI模式使用31 mM磷酸钾缓冲液（pH 7.58）和6.7 mM硫酸镁；STI模式使用50 mM三乙醇胺缓冲液（pH 7.4）和0.2 mM乙酸镁，提供酶反应环境
- 酶催化/识别层：肌酸激酶（CK）、乳酸脱氢酶（LDH）、烯醇酶（EN）、谷氨酸氧化酶（GluOx）、丙酮酸激酶（PK）、丙酮酸脱氢酶（PDH）、丙酮酸氧化酶（POx）、辣根过氧化物酶（HRP），构成AND逻辑门并催化标志物转化
- 生物标志物输入层：CK、LDH、乳酸（Lac）用于STI；EN、谷氨酸（Glu）用于TBI，作为逻辑输入信号
- 辅助输入层：ATP、2-磷酸甘油酸（2-PGA）、GluOx、3,3',5,5'-四甲基联苯胺（TMB），用于门控优化和信号生成
- 切换输入层：磷酸烯醇丙酮酸（PEP）、ADP、磷酸盐、辅酶A（CoA），用于在STI与TBI模式间切换
- 信号标记层：NADH（340 nm）和氧化TMB产物TMBox（655 nm）作为光学输出信号
- 读出层：Shimadzu UV-2450紫外可见分光光度计，测量吸光度变化
中文摘要
本研究开发了一种多酶生物催化级联系统，用于同时处理创伤性脑损伤（TBI）和软组织损伤（STI）相关的五种生物标志物：肌酸激酶（CK）、乳酸脱氢酶（LDH）、乳酸（Lac）、烯醇酶（EN）和谷氨酸（Glu）。该系统作为数字生物传感器运行，由8个布尔AND逻辑门协同工作，将各标志物浓度按正常（logic-0）和病理升高（logic-1）水平进行二值化，并通过逻辑分析复杂标志物组合模式作出生理状态判断。系统具有内置切换功能，可在STI和TBI两种分析模式间转换：STI模式以NADH在340 nm的吸光度为输出，TBI模式以TMB氧化产物TMBox在655 nm的吸光度为输出。该工作展示了酶基生物计算系统用于构建新型数字生物传感器网络的潜力，是首个具有内置逻辑、可处理多种生化输入组合的多步/多酶生物传感器示例。
英文摘要
A multi-enzyme biocatalytic cascade processing simultaneously five biomarkers characteristic of traumatic brain injury (TBI) and soft tissue injury (STI) was developed. The system operates as a digital biosensor based on concerted function of 8 Boolean AND logic gates, resulting in the decision about the physiological conditions based on the logic analysis of complex patterns of the biomarkers. The system represents the first example of a multi-step/multi-enzyme biosensor with the built-in logic for the analysis of complex combinations of biochemical inputs. The approach is based on recent advances in enzyme-based biocomputing systems and the present paper demonstrates the potential applicability of biocomputing for developing novel digital biosensor networks.