概要

De toepassing van open zoekgebaseerde benaderingen voor de identificatie van Acinetobacter baumannii O-gebonden glycopeptiden

Published: November 02, 2021
doi:

概要

Open zoeken maakt de identificatie van glycopeptiden versierd met voorheen onbekende glycaansamenstellingen mogelijk. In dit artikel wordt een gestroomlijnde aanpak voor het uitvoeren van open zoekopdrachten en daaropvolgende glycaangerichte glycopeptide-zoekopdrachten gepresenteerd voor bacteriële monsters met behulp van Acinetobacter baumannii als model.

Abstract

Eiwitglycosylatie wordt steeds meer erkend als een veel voorkomende modificatie binnen bacteriële organismen, die bijdraagt aan prokaryote fysiologie en optimale infectiviteit van pathogene soorten. Hierdoor is er een toenemende interesse in het karakteriseren van bacteriële glycosylatie en een behoefte aan analytische hulpmiddelen met hoge doorvoer om deze gebeurtenissen te identificeren. Hoewel bottom-up proteomics gemakkelijk de generatie van rijke glycopeptidegegevens mogelijk maakt, maken de breedte en diversiteit van glycanen waargenomen in prokaryote soorten de identificatie van bacteriële glycosylatiegebeurtenissen uiterst uitdagend.

Traditioneel maakte de handmatige bepaling van glycaansamenstellingen in bacteriële proteomische datasets dit een grotendeels op maat gemaakte analyse die beperkt was tot veldspecifieke experts. Onlangs zijn op open zoeken gebaseerde benaderingen naar voren gekomen als een krachtig alternatief voor de identificatie van onbekende wijzigingen. Door de frequentie van unieke modificaties die op peptidesequenties worden waargenomen te analyseren, maken open zoektechnieken de identificatie mogelijk van gemeenschappelijke glycanen die aan peptiden zijn bevestigd in complexe monsters. Dit artikel presenteert een gestroomlijnde workflow voor de interpretatie en analyse van glycoproteomische gegevens, die aantoont hoe open zoektechnieken kunnen worden gebruikt om bacteriële glycopeptiden te identificeren zonder voorafgaande kennis van de glycaansamenstellingen.

Met behulp van deze aanpak kunnen glycopeptiden in monsters snel worden geïdentificeerd om glycosylatieverschillen te begrijpen. Met behulp van Acinetobacter baumannii als model, maken deze benaderingen de vergelijking van glycaansamenstellingen tussen stammen en de identificatie van nieuwe glycoproteïnen mogelijk. Alles bij elkaar toont dit werk de veelzijdigheid van open database-zoektechnieken voor de identificatie van bacteriële glycosylatie, waardoor de karakterisering van deze zeer diverse glycoproteïnen eenvoudiger dan ooit tevoren is.

Introduction

Eiwitglycosylatie, het proces van het hechten van koolhydraten aan eiwitmoleculen, is een van de meest voorkomende posttranslationele modificaties (PTM’s) in de natuur 1,2. In alle domeinen van het leven is een reeks complexe machines geëvolueerd die zijn gewijd aan het genereren van glycoproteïnen die een groot aantal cellulaire functies beïnvloeden 1,3,4,5. Terwijl eiwitglycosylatie optreedt op een reeks aminozuren 6,7, zijn N-gebonden jp O-gebonden glycosylatiegebeurtenissen twee dominante vormen die in de natuur worden waargenomen. N-gebonden glycosylering omvat de hechting van glycanen aan een stikstofatoom van asparagine (Asn) residuen, terwijl bij O-gebonden glycosylatie glycanen worden bevestigd aan een zuurstofatoom van serine (Ser), threonine (Thr) of tyrosine (Tyr) residuen7. Ondanks de overeenkomsten in residuen die het doelwit zijn van glycosylatiesystemen, resulteren de verschillen in de glycanen die aan eiwitten zijn gehecht, ertoe dat glycosylatie de meest chemisch diverse klasse ptm’s is die in de natuur wordt aangetroffen.

Hoewel eukaryote glycosylatiesystemen glycaandiversiteit bezitten, zijn deze systemen meestal beperkt in het aantal gebruikte unieke koolhydraten. De resulterende diversiteit komt voort uit hoe deze koolhydraten zijn gerangschikt in glycanen 8,9,10,11,12. Daarentegen bezitten bacteriële en archaeale soorten vrijwel onbeperkte glycaandiversiteit vanwege de enorme reeks unieke suikers die binnen deze systemen worden gegenereerd 2,10,13,14,15,16,17. Deze verschillen in de glycaandiversiteit waargenomen tussen domeinen van het leven vormen een belangrijke analytische uitdaging voor de karakterisering en identificatie van glycosylatiegebeurtenissen. Voor eukaryote glycosylatie heeft het vermogen om te anticiperen op glycaansamenstellingen de groeiende interesse in glycobiologie vergemakkelijkt; hetzelfde geldt echter niet voor bacteriële glycosylatie, die nog steeds grotendeels beperkt is tot studie door gespecialiseerde laboratoria. Naarmate de toegankelijkheid van massaspectrometrie (MS) instrumentatie in de biowetenschappen is toegenomen, zijn ms-gebaseerde benaderingen nu de primaire methode voor glycoproteomische analyse.

MS is naar voren gekomen als het ultieme hulpmiddel voor de karakterisering van glycosylatie, met zowel top-down als bottom-up benaderingen die nu vaak worden gebruikt om glycoproteïnen te karakteriseren6. Terwijl top-down proteomics wordt gebruikt om globale glycosylatiepatronen van specifieke eiwitten te beoordelen18,19, worden bottom-up benaderingen gebruikt om de glycaanspecifieke karakterisering van glycopeptiden mogelijk te maken, zelfs uit complexe mengsels 6,20,21,22,23. Voor de analyse van glycopeptiden is het genereren van informatieve fragmentatie-informatie essentieel voor de karakterisering van glycosylatiegebeurtenissen24,25. Een reeks fragmentatiebenaderingen is nu routinematig toegankelijk op instrumenten, waaronder resonantie-ionenval-gebaseerde collision-induced dissociation (IT-CID), beam-type collision-induced dissociation (CID) en electron transfer dissociation (ETD). Elke benadering heeft verschillende sterke en zwakke punten voor glycopeptide-analyse25,26, met aanzienlijke vooruitgang in het afgelopen decennium bij het toepassen van deze fragmentatiebenaderingen om glycosylatie te analyseren 6,20. Voor bacteriële glycosylatieanalyse was de kritische beperking echter niet het vermogen om glycopeptiden te fragmenteren, maar eerder het onvermogen om de potentiële glycaansamenstellingen in monsters te voorspellen. Binnen deze systemen beperkt de onbekende aard van diverse bacteriële glycanen de identificatie van glycopeptiden, zelfs met glycosylatiegerichte zoekhulpmiddelen die nu gemeengoed zijn voor de analyse van eukaryote glycopeptiden, zoals O-Pair27, GlycopeptideGraphMS28 en GlycReSoft29. Om dit probleem op te lossen, is een alternatieve zoekmethode vereist, waarbij het gebruik van open zoekhulpmiddelen naar voren komt als een krachtige benadering voor de studie van bacteriële glycosylatie30.

Open zoeken, ook bekend als blind of wildcard zoeken, maakt de identificatie van peptiden met onbekende of onverwachte PTM’s 21,30,31,32 mogelijk. Open zoekopdrachten maken gebruik van een verscheidenheid aan computationele technieken, waaronder samengestelde wijzigingszoekopdrachten, zoekopdrachten met meerdere stappendatabases of breed-massatolerant zoeken 33,34,35,36,37. Hoewel open zoeken een groot potentieel heeft, wordt het gebruik ervan meestal belemmerd door de aanzienlijke toename van analysetijden en verlies in gevoeligheid van de detectie van ongewijzigde peptiden in vergelijking met beperkte zoekopdrachten 31,32. De afname van de detectie van ongewijzigde peptide-spectrale matches (PSM’s) is een gevolg van de verhoogde fout-positieve PSM-snelheden geassocieerd met deze technieken, die een verhoogde strenge filtering vereisen om de gewenste false discovery rates (FDR’s) te behouden33,34,35,36,37 . Onlangs zijn er verschillende tools beschikbaar gekomen die de toegankelijkheid van open zoeken aanzienlijk verbeteren, waaronder Byonic 31,38, Open-pFind39, ANN-SoLo40 en MSFragger21,41. Deze tools maken de robuuste identificatie van glycosylatiegebeurtenissen mogelijk door de analysetijden aanzienlijk te verkorten en benaderingen te implementeren om heterogene glycaansamenstellingen te verwerken.

Dit artikel presenteert een gestroomlijnde methode voor de identificatie van bacteriële glycopeptiden door open zoeken, met behulp van de Gram-negatieve nosocomiale pathogeen, Acinetobacter baumannii, als model. A. baumannii bezit een geconserveerd O-gebonden glycosyleringssysteem dat verantwoordelijk is voor de modificatie van meerdere eiwitsubstraten, bekend als het PglL-eiwitglycosyleringssysteem 42,43,44. Hoewel vergelijkbare eiwitten gericht zijn op glycosylering tussen stammen, is het PglL-glycosyleringssysteem zeer variabel vanwege de biosynthese van het glycaan dat wordt gebruikt voor eiwitglycosylatie en wordt afgeleid van de capsulelocus (bekend als de K-locus)44,45,46. Dit resulteert in diverse glycanen (ook bekend als een K-eenheid), afgeleid van enkele of beperkte gepolymeriseerde K-eenheden, die worden toegevoegd aan eiwitsubstraten 30,44,46. Binnen dit werk wordt het gebruik van de open zoekfunctie, MSfragger, binnen de software FragPipe, gebruikt om glycanen over A. baumannii-stammen te identificeren. Door open zoeken en handmatige curatie te combineren, kunnen “glycaangerichte zoekopdrachten” worden uitgevoerd om de identificatie van bacteriële glycopeptiden verder te verbeteren. Samen maakt deze meerstapsidentificatiebenadering de identificatie van glycopeptiden mogelijk zonder uitgebreide ervaring in de karakterisering van nieuwe glycosylatiegebeurtenissen.

Protocol

OPMERKING: De bereiding en analyse van bacteriële glycopeptidemonsters kan worden onderverdeeld in vier secties (figuur 1). Voor dit onderzoek werd de glycosylatie van drie gesequencede A. baumannii-stammen beoordeeld (tabel 1). Proteome FASTA-databases van elk van deze stammen zijn toegankelijk via Uniprot. Raadpleeg tabel 2 voor de samenstelling van de buffers die in dit protocol worden gebruikt. 1. Voorbereidin…

Representative Results

Om het nut van open zoeken naar bacteriële glycopeptide-analyse te illustreren, werd de chemische diversiteit van O-gebonden glycanen binnen drie stammen van A. baumannii-AB307-0294, ACICU en D1279779-beoordeeld. De O-gebonden glycoproteïnen zijn zeer variabel tussen A. baumannii-stammen, omdat de glycanen die worden gebruikt voor glycosylering zijn afgeleid van de zeer variabele capsule loci 44,45,46.<sup class="x…

Discussion

Open searching is een effectieve en systematische methode voor het identificeren van onbekende modificaties. Hoewel de identificatie van onbekende glycanen in bacteriële proteoommonsters van oudsher een tijdrovende en technisch gespecialiseerde onderneming is, maken de recente ontwikkelingen van hulpmiddelen zoals MSfragger 21,41 en Byonic31,38 nu de snelle en effectieve identificatie van deltamassa’s mo…

開示

The authors have nothing to disclose.

Acknowledgements

N.E.S wordt ondersteund door een Australian Research Council Future Fellowship (FT200100270) en een ARC Discovery Project Grant (DP210100362). We bedanken de Melbourne Mass Spectrometry and Proteomics Facility van het Bio21 Molecular Science and Biotechnology Institute voor toegang tot MS-instrumentatie.

Materials

14 G Kel-F Hub point style 3 Hamilton company hanc90514
2-Chloroacetamide Sigma Aldrich Pty Ltd C0267-100G
Acetonitrile Sigma Aldrich Pty Ltd 34851-4L
Ammonium hydroxide (28%) Sigma Aldrich Pty Ltd 338818-100ML
BCA Protein Assay Reagent A Pierce 23228
BCA Protein Assay Reagent B Pierce 23224
C8 Empore SPE Sigma Aldrich Pty Ltd 66882-U An alterative vendor for C8 material is Affinisep (https://www.affinisep.com/about-us/)
Formic acid Sigma Aldrich Pty Ltd 5.33002
Isopropanol Sigma Aldrich Pty Ltd 650447-2.5L
Methanol Fisher Chemical M/4058/17
SDB-RPS Empore SPE (Reversed-Phase Sulfonate) Sigma Aldrich Pty Ltd 66886-U An alterative vendor for SDB-RPS is Affinisep (https://www.affinisep.com/about-us/)
Sodium Deoxycholate Sigma Aldrich Pty Ltd D6750-100G
ThermoMixer C Eppendorf 2232000083
trifluoroacetic acid Sigma Aldrich Pty Ltd 302031-10X1ML
Tris 2-carboxyethyl phosphine hydrochloride Sigma Aldrich Pty Ltd C4706-2G
Tris(hydroxymethyl)aminomethane Sigma Aldrich Pty Ltd 252859-500G
Trypsin/Lys-C protease mixture Promega V5073
Vacuum concentrator Labconco 7810040
ZIC-HILIC material Merck 1504580001 Resin for use in single use SPE columns can be obtain by emptying a larger form column and using the free resin

参考文献

  1. Varki, A., et al. . Essentials of glycobiology. , (2015).
  2. Schaffer, C., Messner, P. Emerging facets of prokaryotic glycosylation. FEMS Microbiology Reviews. 41 (1), 49-91 (2017).
  3. Abu-Qarn, M., Eichler, J., Sharon, N. Not just for Eukarya anymore: Protein glycosylation in bacteria and archaea. Current Opinion in Structural Biology. 18 (5), 544-550 (2008).
  4. Szymanski, C. M., Yao, R., Ewing, C. P., Trust, T. J., Guerry, P. Evidence for a system of general protein glycosylation in Campylobacter jejuni. Molecular Microbiology. 32 (5), 1022-1030 (1999).
  5. Koomey, M. O-linked protein glycosylation in bacteria: snapshots and current perspectives. Current Opinion in Structural Biology. 56, 198-203 (2019).
  6. Riley, N. M., Bertozzi, C. R., Pitteri, S. J. A pragmatic guide to enrichment strategies for mass spectrometry-based glycoproteomics. Molecular & Cellular Proteomics: MCP. 20, 100029 (2020).
  7. Spiro, R. G. Protein glycosylation: nature, distribution, enzymatic formation, and disease implications of glycopeptide bonds. Glycobiology. 12 (4), 43-56 (2002).
  8. Hu, H., Khatri, K., Klein, J., Leymarie, N., Zaia, J. A review of methods for interpretation of glycopeptide tandem mass spectral data. Glycoconjugate Journal. 33 (3), 285-296 (2016).
  9. Moremen, K. W., Tiemeyer, M., Nairn, A. V. Vertebrate protein glycosylation: Diversity, synthesis and function. Nature Reviews Molecular Cell Biology. 13 (7), 448-462 (2012).
  10. Bohm, M., et al. Glycosciences.DB: An annotated data collection linking glycomics and proteomics data (2018 update). Nucleic Acids Research. 47, 1195-1201 (2019).
  11. Kawano, S., Hashimoto, K., Miyama, T., Goto, S., Kanehisa, M. Prediction of glycan structures from gene expression data based on glycosyltransferase reactions. バイオインフォマティクス. 21 (21), 3976-3982 (2005).
  12. McDonald, A. G., Tipton, K. F., Davey, G. P. A knowledge-based system for display and prediction of O-glycosylation network behaviour in response to enzyme knockouts. PLOS Computational Biology. 12 (4), 1004844 (2016).
  13. Eichler, J., Koomey, M. Sweet new roles for protein glycosylation in prokaryotes. Trends in Microbiology. 25 (8), 662-672 (2017).
  14. Scott, N. E., et al. Simultaneous glycan-peptide characterization using hydrophilic interaction chromatography and parallel fragmentation by CID, higher energy collisional dissociation, and electron transfer dissociation MS applied to the N-linked glycoproteome of Campylobacter jejuni. Molecular & Cellular Proteomics: MCP. 10 (2), (2011).
  15. Russo, T. A., et al. The K1 capsular polysaccharide of Acinetobacter baumannii strain 307-0294 is a major virulence factor. Infection and Immunity. 78 (9), 3993-4000 (2010).
  16. Szymanski, C. M., Wren, B. W. Protein glycosylation in bacterial mucosal pathogens. Nature Reviews Microbiology. 3 (3), 225-237 (2005).
  17. Imperiali, B. Bacterial carbohydrate diversity – a brave new world. Current Opinion in Chemical Biology. 53, 1-8 (2019).
  18. Caval, T., Buettner, A., Haberger, M., Reusch, D., Heck, A. J. R. Discrepancies between high-resolution native and glycopeptide-centric mass spectrometric approaches: A case study into the glycosylation of erythropoietin variants. Journal of the American Society for Mass Spectrometry. 32 (8), 2099-2104 (2021).
  19. Caval, T., Heck, A. J. R., Reiding, K. R. Meta-heterogeneity: Evaluating and describing the diversity in glycosylation between sites on the same glycoprotein. Molecular & Cellular Proteomics: MCP. 20, 100010 (2020).
  20. Thomas, D. R., Scott, N. E. Glycoproteomics: growing up fast. Current Opinion in Structural Biology. 68, 18-25 (2020).
  21. Kong, A. T., Leprevost, F. V., Avtonomov, D. M., Mellacheruvu, D., Nesvizhskii, A. I. MSFragger: Ultrafast and comprehensive peptide identification in mass spectrometry-based proteomics. Nature Methods. 14 (5), 513-520 (2017).
  22. Cao, W., et al. Recent advances in software tools for more generic and precise intact glycopeptide analysis. Molecular & Cellular Proteomics: MCP. , (2021).
  23. Yu, A., et al. Advances in mass spectrometry-based glycoproteomics. Electrophoresis. 39 (24), 3104-3122 (2018).
  24. Reiding, K. R., Bondt, A., Franc, V., Heck, A. J. R. The benefits of hybrid fragmentation methods for glycoproteomics. Trends in Analytical Chemistry. 108, 260-268 (2018).
  25. Riley, N. M., Malaker, S. A., Driessen, M., Bertozzi, C. R. Optimal dissociation methods differ for N- and O-glycopeptides. Journal of Proteome Research. 19 (8), 3286-3301 (2020).
  26. Mao, Y., et al. Systematic evaluation of fragmentation methods for unlabeled and isobaric mass tag-labeled O-glycopeptides. Analytical Chemistry. 93 (32), 11167-11175 (2021).
  27. Lu, L., Riley, N. M., Shortreed, M. R., Bertozzi, C. R., Smith, L. M. O-Pair Search with MetaMorpheus for O-glycopeptide characterization. Nature Methods. 17 (11), 1133-1138 (2020).
  28. Choo, M. S., Wan, C., Rudd, P. M., Nguyen-Khuong, T. GlycopeptideGraphMS: Improved glycopeptide detection and identification by exploiting graph theoretical patterns in mass and retention time. Analytical Chemistry. 91 (11), 7236-7244 (2019).
  29. Maxwell, E., et al. GlycReSoft: a software package for automated recognition of glycans from LC/MS data. PLoS One. 7 (9), 45474 (2012).
  30. Ahmad Izaham, A. R., Scott, N. E. Open database searching enables the identification and comparison of bacterial glycoproteomes without defining glycan compositions prior to searching. Molecular & Cellular Proteomics: MCP. 19 (9), 1561-1574 (2020).
  31. Bern, M., Kil, Y. J., Becker, C. Byonic: Advanced peptide and protein identification software. Current Protocols in Bioinformatics. , (2012).
  32. Na, S., Bandeira, N., Paek, E. Fast multi-blind modification search through tandem mass spectrometry. Molecular & Cellular Proteomics: MCP. 11 (4), 010199 (2012).
  33. Creasy, D. M., Cottrell, J. S. Error tolerant searching of uninterpreted tandem mass spectrometry data. Proteomics. 2 (10), 1426-1434 (2002).
  34. Craig, R., Beavis, R. C. TANDEM: Matching proteins with tandem mass spectra. バイオインフォマティクス. 20 (9), 1466-1467 (2004).
  35. Ahrné, E., Nikitin, F., Lisacek, F., Müller, M. QuickMod: A tool for open modification spectrum library searches. Journal of Proteome Research. 10 (7), 2913-2921 (2011).
  36. Shortreed, M. R., et al. Global identification of protein post-translational modifications in a single-pass database search. Journal of Proteome Research. 14 (11), 4714-4720 (2015).
  37. Chick, J. M., et al. A mass-tolerant database search identifies a large proportion of unassigned spectra in shotgun proteomics as modified peptides. Nature Biotechnology. 33 (7), 743-749 (2015).
  38. Roushan, A., et al. Peak filtering, peak annotation, and wildcard search for glycoproteomics. Molecular & Cellular Proteomics: MCP. 20, 100011 (2020).
  39. Chi, H., et al. Comprehensive identification of peptides in tandem mass spectra using an efficient open search engine. Nature Biotechnology. , (2018).
  40. Bittremieux, W., Laukens, K., Noble, W. S. Extremely fast and accurate open modification spectral library searching of high-resolution mass spectra using feature hashing and graphics processing units. Journal of Proteome Research. 18 (10), 3792-3799 (2019).
  41. Polasky, D. A., Yu, F., Teo, G. C., Nesvizhskii, A. I. Fast and comprehensive N- and O-glycoproteomics analysis with MSFragger-Glyco. Nature Methods. 17 (11), 1125-1132 (2020).
  42. Harding, C. M., et al. Acinetobacter strains carry two functional oligosaccharyltransferases, one devoted exclusively to type IV pilin, and the other one dedicated to O-glycosylation of multiple proteins. Molecular Microbiology. 96 (5), 1023-1041 (2015).
  43. Iwashkiw, J. A., et al. Identification of a general O-linked protein glycosylation system in Acinetobacter baumannii and its role in virulence and biofilm formation. PLoS Pathogens. 8 (6), 1002758 (2012).
  44. Scott, N. E., et al. Diversity within the O-linked protein glycosylation systems of Acinetobacter species. Molecular & Cellular Proteomics: MCP. 13 (9), 2354-2370 (2014).
  45. Kenyon, J. J., Hall, R. M. Variation in the complex carbohydrate biosynthesis loci of Acinetobacter baumannii genomes. PLoS One. 8 (4), 62160 (2013).
  46. Lees-Miller, R. G., et al. A common pathway for O-linked protein-glycosylation and synthesis of capsule in Acinetobacter baumannii. Molecular Microbiology. 89 (5), 816-830 (2013).
  47. Iacono, M., et al. Whole-genome pyrosequencing of an epidemic multidrug-resistant Acinetobacter baumannii strain belonging to the European clone II group. Antimicrobial Agents and Chemotherapy. 52 (7), 2616-2625 (2008).
  48. Hamidian, M., et al. Insights from the revised complete genome sequences of Acinetobacter baumannii strains AB307-0294 and ACICU belonging to global clones 1 and 2. Microbial Genomics. 5 (10), 000298 (2019).
  49. Farrugia, D. N., et al. The complete genome and phenome of a community-acquired Acinetobacter baumannii. PLoS One. 8 (3), 58628 (2013).
  50. Keller, B. O., Sui, J., Young, A. B., Whittal, R. M. Interferences and contaminants encountered in modern mass spectrometry. Analytica Chimica Acta. 627 (1), 71-81 (2008).
  51. Batth, T. S., et al. Protein aggregation capture on microparticles enables multipurpose proteomics sample preparation. Molecular & Cellular Proteomics: MCP. 18 (5), 1027-1035 (2019).
  52. HaileMariam, M., et al. S-Trap, an ultrafast sample-preparation approach for shotgun proteomics. Journal of Proteome Research. 17 (9), 2917-2924 (2018).
  53. Smith, P. K., et al. Measurement of protein using bicinchoninic acid. Analytical Biochemistry. 150 (1), 76-85 (1985).
  54. Rappsilber, J., Mann, M., Ishihama, Y. Protocol for micro-purification, enrichment, pre-fractionation and storage of peptides for proteomics using StageTips. Nature Protocols. 2 (8), 1896-1906 (2007).
  55. Harney, D. J., et al. Proteomic analysis of human plasma during intermittent fasting. Journal of Proteome Research. 18 (5), 2228-2240 (2019).
  56. Scott, N. E. Characterizing glycoproteins by mass spectrometry in Campylobacter jejuni. Methods in Molecular Biology. 1512, 211-232 (2017).
  57. Bian, Y., et al. Robust microflow LC-MS/MS for proteome analysis: 38000 runs and counting. Analytical Chemistry. 93 (8), 3686-3690 (2021).
  58. Diedrich, J. K., Pinto, A. F., Yates, J. R. Energy dependence of HCD on peptide fragmentation: stepped collisional energy finds the sweet spot. Journal of the American Society for Mass Spectrometry. 24 (11), 1690-1699 (2013).
  59. Liu, M. Q., et al. pGlyco 2.0 enables precision N-glycoproteomics with comprehensive quality control and one-step mass spectrometry for intact glycopeptide identification. Nature Communications. 8 (1), 438 (2017).
  60. Hinneburg, H., et al. The art of destruction: Optimizing collision energies in quadrupole-time of flight (Q-TOF) instruments for glycopeptide-based glycoproteomics. Journal of the American Society for Mass Spectrometry. 27 (3), 507-519 (2016).
  61. Chambers, M. C., et al. A cross-platform toolkit for mass spectrometry and proteomics. Nature Biotechnology. 30 (10), 918-920 (2012).
  62. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. , (2020).
  63. Brademan, D. R., Riley, N. M., Kwiecien, N. W., Coon, J. J. Interactive peptide spectral annotator: A versatile web-based tool for proteomic applications. Molecular & Cellular Proteomics: MCP. 18, 193-201 (2019).
  64. Russo, T. A., et al. The K1 capsular polysaccharide from Acinetobacter baumannii is a potential therapeutic target via passive immunization. Infection and Immunity. 81 (3), 915-922 (2013).
  65. Senchenkova, S. N., et al. Structure of the capsular polysaccharide of Acinetobacter baumannii ACICU containing di-N-acetylpseudaminic acid. Carbohydrate Research. 391, 89-92 (2014).
  66. Domon, B., Costello, C. E. A systematic nomenclature for carbohydrate fragmentations in FAB-MS/MS spectra of glycoconjugates. Glycoconjugate Journal. 5 (4), 397-409 (1988).
  67. Harvey, D. J., Dwek, R. A., Rudd, P. M. Determining the structure of glycan moieties by mass spectrometry. Current Protocols in Protein Science. , (2006).
  68. Medzihradszky, K. F., Kaasik, K., Chalkley, R. J. Characterizing sialic acid variants at the glycopeptide level. Analytical Chemistry. 87 (5), 3064-3071 (2015).
  69. Kelstrup, C. D., Frese, C., Heck, A. J., Olsen, J. V., Nielsen, M. L. Analytical utility of mass spectral binning in proteomic experiments by SPectral Immonium Ion Detection (SPIID). Molecular & Cellular Proteomics:MCP. 13 (8), 1914-1924 (2014).
  70. Ahmad Izaham, A. R., et al. What are we missing by using hydrophilic enrichment? Improving bacterial glycoproteome coverage using total proteome and FAIMS analyses. Journal of Proteome Research. 20 (1), 599-612 (2021).
  71. Neue, K., Mormann, M., Peter-Katalinic, J., Pohlentz, G. Elucidation of glycoprotein structures by unspecific proteolysis and direct nanoESI mass spectrometric analysis of ZIC-HILIC-enriched glycopeptides. Journal of Proteome Research. 10 (5), 2248-2260 (2011).
  72. Mysling, S., Palmisano, G., Hojrup, P., Thaysen-Andersen, M. Utilizing ion-pairing hydrophilic interaction chromatography solid phase extraction for efficient glycopeptide enrichment in glycoproteomics. Analytical Chemistry. 82 (13), 5598-5609 (2010).
  73. Escobar, E. E., et al. Precision mapping of O-Linked N-acetylglucosamine sites in proteins using ultraviolet photodissociation mass spectrometry. Journal of the American Chemical Society. 142 (26), 11569-11577 (2020).
  74. Madsen, J. A., et al. Concurrent automated sequencing of the glycan and peptide portions of O-linked glycopeptide anions by ultraviolet photodissociation mass spectrometry. Analytical Chemistry. 85 (19), 9253-9261 (2013).
  75. Lysiak, A., Fertin, G., Jean, G., Tessier, D. Evaluation of open search methods based on theoretical mass spectra comparison. BMC Bioinformatics. 22, 65 (2021).
  76. Pabst, M., et al. A general approach to explore prokaryotic protein glycosylation reveals the unique surface layer modulation of an anammox bacterium. ISME Journal. , (2021).

Play Video

記事を引用
Lewis, J. M., Coulon, P. M. L., McDaniels, T. A., Scott, N. E. The Application of Open Searching-based Approaches for the Identification of Acinetobacter baumannii O-linked Glycopeptides. J. Vis. Exp. (177), e63242, doi:10.3791/63242 (2021).

View Video