Deep Visual Proteomics는 단일 정의

Nature Biotechnology 40권, 페이지 1231–1240(2022)이 기사 인용

56k 액세스

57 인용

539 알트메트릭

측정항목 세부정보

공간 프로테오믹스를 위한 이미징 기반 및 질량 분석 기반 방법의 가용성에도 불구하고 이미지를 단일 세포 해상도 단백질 풍부도 측정과 연결하는 주요 과제는 여전히 남아 있습니다. 여기에서는 세포 표현형의 인공 지능 기반 이미지 분석과 자동화된 단일 세포 또는 단일 핵 레이저 현미해부 및 초고감도 질량 분석법을 결합한 Deep Visual Proteomics(DVP)를 소개합니다. DVP는 공간적 맥락을 유지하면서 단백질 풍부도를 복잡한 세포 또는 세포 이하 표현형과 연결합니다. 세포 배양에서 핵을 개별적으로 절제함으로써 우리는 알려진 단백질과 특성화되지 않은 단백질에 의해 정의된 단백질체 프로필을 사용하여 별개의 세포 상태를 분류했습니다. 보관된 원발성 흑색종 조직에서 DVP는 정상적인 멜라닌 세포가 완전 침습성 흑색종으로 전환됨에 따라 공간적으로 분해된 프로테옴 변화를 확인했으며, 암이 진행됨에 따라 공간 방식으로 변화하는 경로를 밝혔습니다. 예를 들어 인터페론 신호 전달 감소와 일치하는 전이성 수직 성장의 mRNA 스플라이싱 조절 장애 및 항원 제시. 조직 맥락에서 정확한 공간적 단백질 정보를 유지하는 DVP의 능력은 임상 샘플의 분자 프로파일링에 영향을 미칩니다.

현대 현미경의 다양성, 해상도 및 다중 모드 특성은 단일 세포 이질성 및 조직 구성에 대한 점점 더 상세한 이미지를 제공합니다1. 현재, 미리 정의된 단백질의 하위 집합은 일반적으로 프로테옴의 실제 복잡성에 훨씬 못 미치는 표적이 됩니다. 질량분석법(MS)을 기반으로 한 기술의 감도가 크게 향상되었다는 점을 활용하여 우리는 건강과 질병에 대한 프로테옴의 기여도를 탐색하기 위해 고유한 세포 내 컨텍스트 내에서 프로테옴을 분석할 수 있도록 시작했습니다. 우리는 서브 미크론 해상도 이미징, 인공 지능(AI)을 기반으로 한 단일 세포 표현형 분석을 위한 이미지 분석 및 초고감도 단백질체학 워크플로우를 통한 분리를 결합했습니다2(그림 1). 주요 과제는 단일 세포 경계 및 세포 클래스를 정확하게 정의하는 것뿐만 아니라 자동으로 정의된 특징을 분석 준비가 된 단백질 샘플로 전송하는 것이었습니다. 이를 위해 스캐닝 및 레이저 현미해부(LMD) 현미경을 조정하는 소프트웨어 'BIAS'(Biology Image Analysis Software)를 소개합니다. 이는 세포 배양 또는 보관된 바이오뱅크 조직(포르말린 고정 및 파라핀 내장(FFPE))의 데이터가 풍부한 이미징을 딥 러닝 기반 세포 분할 및 기계 학습 기반 세포 유형 및 상태 식별과 원활하게 결합합니다. 관심 있는 세포 또는 세포 이하 개체는 자동화된 LMD 및 단백질 프로파일링을 받기 전에 AI 단독으로 또는 지침 후에 선택됩니다. DVP에 의해 생성된 데이터를 마이닝하여 완전한 공간 정보를 유지하면서 표현형 수준에서 프로테옴 변이에 대한 분자적 통찰력을 제공하는 단백질 시그니처를 발견할 수 있습니다.

DVP는 단일 세포 분류 및 분리를 위한 고해상도 이미징, AI 기반 이미지 분석을 매우 민감한 단백질체학 워크플로우와 결합합니다2. DVP는 세포 배양 또는 보관된 환자 바이오뱅크 조직의 데이터가 풍부한 이미징을 딥 러닝 기반 세포 분할 및 기계 학습 기반 세포 유형 및 상태 식별과 연결합니다. (비)감독 AI 분류 세포 또는 관심 있는 세포 이하 개체는 자동화된 LMD 및 MS 기반 단백질체 프로파일링을 거칩니다. 후속 생물정보학 데이터 분석을 통해 데이터 마이닝을 통해 단백질 시그니처를 발견하고 단일 세포 수준에서 건강 및 질병 상태의 프로테옴 변화에 대한 분자 통찰력을 제공할 수 있습니다. tSNE, t-분포 확률론적 이웃 임베딩.

DVP 워크플로우의 현미경 관련 측면은 이미지 분석을 위한 고해상도 전체 슬라이드 이미징, 기계 학습(ML) 및 딥 러닝(DL)을 기반으로 합니다.

0.96). The lower correlation of normal cells and cancer cells reflected disease-specific and cell-type-specific proteome changes (Pearson r = 0.8; Fig. 4d,e and Supplementary Table 6). Acinar cell markers in the carcinoma were significantly downregulated, consistent with previous reports25. DVP allowed us to discover upregulation of interferon response proteins (for example, MX1 and HLA-A; Supplementary Table 6) and the proto-oncogene SRC, both actionable therapeutic targets26 (Fig. 4e). We validated the proteomic findings using IHC analysis of significantly enriched proteins in either normal-appearing or cancererous tissue. This resulted in the selection of CNN1, SRC, CK5 and FASN (Fig. 4f), which confirmed our proteomic results, demonstrated the absence of contamination and supported the specificity of our DVP approach./p> 700 in a total m/z range of 100–1.700 by synchronizing quadrupole switching events with the precursor elution profile from the TIMS device. The collision energy was lowered linearly as a function of increasing mobility starting from 59 eV at 1/K0 = 1.6 Vs cm−2 to 20 eV at 1/K0 = 0.6 Vs cm−2. Singly charged precursor ions were excluded with a polygon filter (otof control, Bruker Daltonik). Precursors for MS/MS were picked at an intensity threshold of 1.000 arbitrary units (a.u.) and re-sequenced until reaching a ‘target value’ of 20.000 a.u., taking into account a dynamic exclusion of 40-second elution. For data-independent analysis, we made use of the correlation of ion mobility with m/z and synchronized the elution of precursors from each ion mobility scan with the quadrupole isolation window. The collision energy was ramped linearly as a function of the ion mobility from 59 eV at 1/K0 = 1.6 Vs cm−2 to 20 eV at 1/K0 = 0.6 Vs cm−2. We used the ddaPASEF method for library generation./p>

소식