JoVE Journal > Biochemistry
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
العربية

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Biochemistry

JUMPn: تطبيق مبسط لتجميع التعبير المشترك للبروتين وتحليل الشبكة في البروتينات

Published: October 19, 2021
doi:
10.3791/62796
, , , , , , , ,
1Departments of Structural Biology and Developmental Neurobiology,St. Jude Children’s Research Hospital, 2Center for Proteomics and Metabolomics,St. Jude Children’s Research Hospital, 3Department of Computational Biology,St. Jude Children’s Research Hospital

Summary

نحن نقدم أداة بيولوجيا النظم JUMPn لإجراء وتصور تحليل الشبكة لبيانات البروتينات الكمية ، مع بروتوكول مفصل بما في ذلك المعالجة المسبقة للبيانات ، وتجميع التعبير المشترك ، وإثراء المسار ، وتحليل شبكة التفاعل بين البروتين والبروتين.

Abstract

مع التطورات الحديثة في تقنيات البروتينات القائمة على قياس الطيف الكتلي ، أصبح التنميط العميق لمئات البروتيوميات ممكنا بشكل متزايد. ومع ذلك ، فإن استخلاص رؤى بيولوجية من مجموعات البيانات القيمة هذه يمثل تحديا. نقدم هنا برنامجا قائما على بيولوجيا الأنظمة JUMPn ، والبروتوكول المرتبط به لتنظيم البروتيوم في مجموعات التعبير المشترك للبروتين عبر العينات وشبكات التفاعل بين البروتين والبروتين (PPI) المتصلة بوحدات (على سبيل المثال ، مجمعات البروتين). باستخدام منصة R / Shiny ، يبسط برنامج JUMPn تحليل تجميع التعبير المشترك ، وإثراء المسار ، واكتشاف وحدة PPI ، مع تصور متكامل للبيانات وواجهة سهلة الاستخدام. وتشمل الخطوات الرئيسية للبروتوكول تثبيت برنامج JUMPn ، وتعريف البروتينات المعبر عنها بشكل تفاضلي أو البروتينات المنظمة (dys) ، وتحديد مجموعات التعبير المشترك ذات المغزى ووحدات PPI ، وتصور النتائج. في حين يتم إثبات البروتوكول باستخدام ملف تعريف بروتيني قائم على وضع العلامات متساوي الضغط ، فإن JUMPn ينطبق بشكل عام على مجموعة واسعة من مجموعات البيانات الكمية (على سبيل المثال ، البروتينات الخالية من التسميات). وبالتالي ، يوفر برنامج وبروتوكول JUMPn أداة قوية لتسهيل التفسير البيولوجي في البروتينات الكمية.

Introduction

أصبحت بروتينات البندقية القائمة على قياس الطيف الكتلي النهج الرئيسي لتحليل تنوع البروتيوم للعينات المعقدة1. مع التطورات الحديثة في أجهزة قياس الطيف الكتلي2,3 ، والكروماتوغرافيا4,5 ، والكشف عن حركة الأيونات6 ، وطرق الاكتساب (7 المستقلة عن البيانات والاقتناء المعتمد على البيانات8) ، ونهج القياس الكمي (طريقة وسم الببتيد متساوي الضغط متعدد الإرسال ، على سبيل المثال ، TMT9,10 ، والقياس الكمي الخالي من الملصقات11,12) واستراتيجيات تحليل البيانات / تطوير البرمجيات13،14،15،16،17،18 ، وتحديد كمية البروتيوم بأكمله (على سبيل المثال ، أكثر من 10،000 بروتين) هو الآن روتيني 19،20،21. ومع ذلك ، فإن كيفية الحصول على رؤى ميكانيكية من مجموعات البيانات الكمية العميقة هذه لا تزال تمثل تحديا22. اعتمدت المحاولات الأولية للتحقيق في مجموعات البيانات هذه في الغالب على التعليق التوضيحي للعناصر الفردية للبيانات ، ومعالجة كل مكون (بروتين) بشكل مستقل. ومع ذلك ، لا يمكن تفسير الأنظمة البيولوجية وسلوكها فقط من خلال فحص المكونات الفردية23. لذلك ، فإن نهج الأنظمة الذي يضع الجزيئات الحيوية المحددة كميا في سياق شبكات التفاعل أمر ضروري لفهم الأنظمة المعقدة والعمليات المرتبطة بها مثل التكوين الجنيني ، والاستجابة المناعية ، والتسبب في الأمراض البشرية24.

برزت بيولوجيا النظم القائمة على الشبكات كنموذج قوي لتحليل بيانات البروتينات الكمية واسعة النطاق 25،26،27،28،29،30،31،32،33. من الناحية المفاهيمية ، يمكن نمذجة الأنظمة المعقدة مثل خلايا الثدييات كشبكة هرمية34,35 ، حيث يتم تمثيل النظام بأكمله في طبقات: أولا بعدد من المكونات الكبيرة ، كل منها ثم يتم نمذجته بشكل متكرر بواسطة أنظمة فرعية أصغر. من الناحية الفنية ، يمكن تقديم بنية ديناميكيات البروتيوم من خلال شبكات مترابطة من مجموعات البروتين المعبر عنها بشكل مشترك (لأن الجينات / البروتينات المعبر عنها بشكل مشترك غالبا ما تشترك في وظائف بيولوجية مماثلة أو آليات التنظيم36) ووحدات PPI المتفاعلة جسديا37. كمثال حديث25 ، أنشأنا ملفات تعريف زمنية للبروتينات الكاملة والفوسفوبروتيوم أثناء تنشيط الخلايا التائية واستخدمنا شبكات التعبير المشترك التكاملية مع PPIs لتحديد الوحدات الوظيفية التي تتوسط خروج هدوء الخلايا التائية. وتم تسليط الضوء على وحدات متعددة ذات صلة بالطاقة الحيوية والتحقق من صحتها تجريبيا (على سبيل المثال، الوحدات النمطية الرابعة الميثوريبوسومية والمعقدة25، والوحدة الوحيدة الكربون38). في مثال آخر26 ، قمنا بتوسيع نهجنا لدراسة التسبب في مرض الزهايمر ، ونجحنا في إعطاء الأولوية لوحدات البروتين والجزيئات المرتبطة بتطور المرض. الأهم من ذلك ، تم التحقق من صحة العديد من اكتشافاتنا غير المتحيزة من قبل مجموعات المرضى المستقلة 26,29 و / أو نماذج فئران المرض26. توضح هذه الأمثلة قوة نهج بيولوجيا الأنظمة لتشريح الآليات الجزيئية باستخدام البروتيوميات الكمية وغيرها من عمليات تكامل omics.

نقدم هنا JUMPn ، وهو برنامج مبسط يستكشف بيانات البروتينات الكمية باستخدام مناهج بيولوجيا الأنظمة القائمة على الشبكة. يعمل JUMPn كمكون نهائي لمجموعة برامج JUMP proteomics المنشأة13،14،39 ، ويهدف إلى سد الفجوة من القياسات الكمية الفردية للبروتين إلى المسارات ذات المغزى البيولوجي ووحدات البروتين باستخدام نهج بيولوجيا الأنظمة. من خلال أخذ مصفوفة القياس الكمي للبروتينات المعبر عنها بشكل تفاضلي (أو الأكثر تغيرا) كمدخلات ، يهدف JUMPn إلى تنظيم البروتيوم في تسلسل هرمي متدرج من مجموعات البروتين التي يتم التعبير عنها بشكل مشترك عبر العينات ووحدات PPI المتصلة بكثافة (على سبيل المثال ، مجمعات البروتين) ، والتي يتم شرحها بشكل أكبر مع قواعد بيانات المسار العام عن طريق تحليل التمثيل المفرط (أو الإثراء) (الشكل 1). تم تطوير JUMPn باستخدام منصة R / Shiny40 للحصول على واجهة سهلة الاستخدام وتدمج ثلاث وحدات وظيفية رئيسية: تحليل تجميع التعبير المشترك ، وتحليل إثراء المسار ، وتحليل شبكة PPI (الشكل 1). بعد كل تحليل ، يتم تصور النتائج تلقائيا وتكون قابلة للتعديل عبر وظائف القطعة R / لامعة ويمكن تنزيلها بسهولة كجداول نشر بتنسيق Microsoft Excel. في البروتوكول التالي ، نستخدم بيانات البروتيوم الكاملة الكمية كمثال ونصف الخطوات الرئيسية لاستخدام JUMPn ، بما في ذلك تثبيت برنامج JUMPn ، وتعريف البروتينات المعبر عنها بشكل تفاضلي أو البروتينات المنظمة (dys) ، وتحليل شبكة التعبير المشترك ، وتحليل وحدة PPI ، وتصور النتائج وتفسيرها ، واستكشاف الأخطاء وإصلاحها. يتوفر برنامج JUMPn مجانا على GitHub41.

Protocol

ملاحظة: في هذا البروتوكول ، يتم توضيح استخدام JUMPn من خلال استخدام مجموعة بيانات منشورة من التنميط البروتيني الكامل أثناء تمايز الخلايا البائية الذي تم تحديده كميا بواسطة كاشف التسمية متساوي الضغط TMT27. 1. إعداد برنامج JUMPn ملاحظة: يتم توفير خيارين لإ?…

Representative Results

استخدمنا مجموعات بيانات البروتينات العميقة المنشورةلدينا 25،26،27،30 (الشكل 5 والشكل 6) بالإضافة إلى محاكاة البيانات57 (الجدول 1) لتحسين وتقييم أداء JUMPn. لتحليل تجميع ال…

Discussion

هنا قدمنا برنامج JUMPn الخاص بنا وبروتوكوله ، والذي تم تطبيقه في مشاريع متعددة لتشريح الآليات الجزيئية باستخدام بيانات البروتينات الكمية العميقة25،26،27،30،64. تم تحسين برنامج وبروتوكول JUMPn بشكل كامل ، بم?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

تم تقديم الدعم التمويلي من قبل المعاهد الوطنية للصحة (NIH) (R01AG047928 و R01AG053987 و RF1AG064909 و RF1AG068581 و U54NS110435) و ALSAC (الجمعيات الخيرية الأمريكية اللبنانية السورية المرتبطة). تم إجراء تحليل التصلب المتعدد في مركز البروتينات والأيض التابع لمستشفى سانت جود لأبحاث الأطفال ، والذي تم دعمه جزئيا من قبل منحة دعم مركز السرطان التابع للمعاهد الوطنية للصحة (P30CA021765). المحتوى هو مسؤولية المؤلفين وحدهم ولا يمثل بالضرورة وجهات النظر الرسمية للمعاهد الوطنية للصحة.

Materials

MacBook Pro with a 2.3 GHz Quad-Core Processor running OS 10.15.7. Apple Inc. MacBook Pro 13'' Hardware used for software development and testing
Anoconda Anaconda, Inc. version 4.9.2 https://docs.anaconda.com/anaconda/install/
miniconda Anaconda, Inc. version 4.9.2 https://docs.conda.io/en/latest/miniconda.html
RStudio RStudio Public-benefit corporation version 4.0.3 https://www.rstudio.com/products/rstudio/download/
Shiny Server RStudio Public-benefit corporation https://shiny.rstudio.com/articles/shinyapps.html
DOWNLOAD MATERIALS LIST

References

  1. Aebersold, R., Mann, M. Mass-spectrometric exploration of proteome structure and function. Nature. 537, 347-355 (2016).
  2. Senko, M. W., et al. Novel parallelized quadrupole/linear ion trap/orbitrap tribrid mass spectrometer improving proteome coverage and peptide identification rates. Analytical Chemistry. 85, 11710-11714 (2013).
  3. Eliuk, S., Makarov, A. Evolution of orbitrap mass spectrometry instrumentation. Annual Review of Analytical Chemistry. 8, 61-80 (2015).
  4. Wang, H., et al. Systematic optimization of long gradient chromatography mass spectrometry for deep analysis of brain proteome. Journal of Proteome Research. 14, 829-838 (2015).
  5. Blue, L. E. Recent advances in capillary ultrahigh pressure liquid chromatography. Journal of Chromatography A. 1523, 17-39 (2017).
  6. Meier, F., et al. Online parallel accumulation-serial fragmentation (PASEF) with a novel trapped ion mobility mass spectrometer. Molecular & Cellular Proteomics. 17, 2534-2545 (2018).
  7. Ludwig, C., et al. Data-independent acquisition-based SWATH-MS for quantitative proteomics: a tutorial. Molecular Systems Biology. 14 (8), 8126 (2018).
  8. Zhang, Y. Y., Fonslow, B. R., Shan, B., Baek, M. C., Yates, J. R. Protein analysis by shotgun/bottom-up proteomics. Chemical Reviews. 113, 2343-2394 (2013).
  9. Wang, Z., et al. 27-Plex tandem mass tag mass spectrometry for profiling brain proteome in Alzheimer’s disease. Analytical Chemistry. 92, 7162-7170 (2020).
  10. Li, J. M., et al. TMTpro reagents: a set of isobaric labeling mass tags enables simultaneous proteome-wide measurements across 16 samples. Nature Methods. 17 (4), 399-404 (2020).
  11. Collins, B. C., et al. Multi-laboratory assessment of reproducibility, qualitative and quantitative performance of SWATH-mass spectrometry. Nature Communications. 8 (1), 291 (2017).
  12. Navarro, P., et al. A multicenter study benchmarks software tools for label-free proteome quantification. Nature Biotechnology. 34, 1130 (2016).
  13. Wang, X. S., et al. A tag-based database search tool for peptide identification with high sensitivity and accuracy. Molecular & Cellular Proteomics. 13, 3663-3673 (2014).
  14. Li, Y. X., et al. JUMPg: An integrative proteogenomics pipeline identifying unannotated proteins in human brain and cancer cells. Journal of Proteome Research. 15, 2309-2320 (2016).
  15. Cox, J., Mann, M. MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification. Nature Biotechnology. 26, 1367-1372 (2008).
  16. 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, 513 (2017).
  17. Chi, H., et al. Comprehensive identification of peptides in tandem mass spectra using an efficient open search engine. Nature Biotechnology. 36, 1059 (2018).
  18. Demichev, V., Messner, C. B., Vernardis, S. I., Lilley, K. S., Ralser, M. DIA-NN neural networks and interference correction enable deep proteome coverage in high throughput. Nature Methods. 17, 41 (2020).
  19. High, A. A., et al. Deep proteome profiling by isobaric labeling, extensive liquid chromatography, mass spectrometry, and software-assisted quantification. Journal of Visualized Experiments: JoVE. (129), e56474 (2017).
  20. Wang, Z., et al. High-throughput and deep-proteome profiling by 16-plex tandem mass tag labeling coupled with two-dimensional chromatography and mass spectrometry. Journal of Visualized Experiments: JoVE. (162), e61684 (2020).
  21. Meier, F., Geyer, P. E., Winter, S. V., Cox, J., Mann, M. BoxCar acquisition method enables single-shot proteomics at a depth of 10,000 proteins in 100 minutes. Nature Methods. 15, 440 (2018).
  22. Sinitcyn, P., Rudolph, J. D., Cox, J. Computational methods for understanding mass spectrometry-based shotgun proteomics data. Annual Review of Biomedical Data Science. 1, 207-234 (2018).
  23. Ideker, T., Galitski, T., Hood, L. A new approach to decoding life: Systems biology. Annual Review of Genomics and Human Genetics. 2, 343-372 (2001).
  24. Barabasi, A. L., Oltvai, Z. N. Network biology: understanding the cell’s functional organization. Nature Reviews Genetics. 5, 101-113 (2004).
  25. Tan, H., et al. Integrative proteomics and phosphoproteomics profiling reveals dynamic signaling networks and bioenergetics pathways underlying T cell activation. Immunity. 46, 488-503 (2017).
  26. Bai, B., et al. Deep multilayer brain proteomics identifies molecular networks in alzheimer’s disease progression. Neuron. 105, 975-991 (2020).
  27. Zeng, H., et al. Discrete roles and bifurcation of PTEN signaling and mTORC1-mediated anabolic metabolism underlie IL-7-driven B lymphopoiesis. Science Advances. 4, 5701 (2018).
  28. Seyfried, N. T., et al. A multi-network approach identifies protein-specific co-expression in asymptomatic and symptomatic Alzheimer’s disease. Cell Systems. 4, 60-72 (2017).
  29. Johnson, E. C. B., et al. Large-scale proteomic analysis of Alzheimer’s disease brain and cerebrospinal fluid reveals early changes in energy metabolism associated with microglia and astrocyte activation. Nature Medicine. 26, 769-780 (2020).
  30. Stewart, E., et al. Identification of therapeutic targets in rhabdomyosarcoma through integrated genomic, epigenomic, and proteomic analyses. Cancer Cell. 34, 411-426 (2018).
  31. Rudolph, J. D., Cox, J. A network module for the perseus software for computational proteomics facilitates proteome interaction graph analysis. Journal of Proteome Research. 18, 2052-2064 (2019).
  32. Zhang, B., et al. Proteogenomic characterization of human colon and rectal cancer. Nature. 513, 382 (2014).
  33. Petralia, F., et al. Integrated proteogenomic characterization across major histological types of pediatric brain cancer. Cell. 183, 1962 (2020).
  34. Dutkowski, J., et al. A gene ontology inferred from molecular networks. Nature Biotechnology. 31, 38 (2013).
  35. Yu, M. K., et al. Translation of genotype to phenotype by a hierarchy of cell subsystems. Cell Systems. 2, 77-88 (2016).
  36. Jansen, R., Greenbaum, D., Gerstein, M. Relating whole-genome expression data with protein-protein interactions. Genome Research. 12, 37-46 (2002).
  37. Huttlin, E. L., et al. Architecture of the human interactome defines protein communities and disease networks. Nature. 545, 505-509 (2017).
  38. Ron-Harel, N., et al. Mitochondrial biogenesis and proteome remodeling promote one-carbon metabolism for T cell activation. Cell Metabolism. 24, 104-117 (2016).
  39. Niu, M. M., et al. Extensive peptide fractionation and y(1) ion-based interference detection method for enabling accurate quantification by isobaric labeling and mass spectrometry. Analytical Chemistry. 89, 2956-2963 (2017).
  40. Chang, W. shiny: Web Application Framework for. Nature Protocols. 11, 2301-2319 (2021).
  41. . JUMPn Available from: https://github.com/VanderwallDavid/JUMPn_1.0.0 (2021)
  42. . Anaconda Available from: https://docs.anaconda.com/anaconda/install/ (2021)
  43. . miniconda Available from: https://docs.conda.io/en/latest/miniconda.html (2021)
  44. . RStudio Available from: https://www.rstudio.com/products/rstudio/download/ (2021)
  45. . Shiny Server Available from: https://shiny.rstudio.com/articles/shinyapps.html (2021)
  46. Tyanova, S., Temu, T., Cox, J. The MaxQuant computational platform for mass spectrometry-based shotgun proteomics. Nature Protocol. 11, 2301-2319 (2016).
  47. . R code Available from: https://github.com/VanderwallDavid/JUMPn_1.0.0/tree/main/JUMPn_preprocessing (2021)
  48. Florens, L., et al. Analyzing chromatin remodeling complexes using shotgun proteomics and normalized spectral abundance factors. Methods. 40, 303-311 (2006).
  49. Zhang, B., Horvath, S. A general framework for weighted gene co-expression network analysis. Statistical Applications in Genetics and Molecular Biology. 4, (2005).
  50. Voineagu, I., et al. Transcriptomic analysis of autistic brain reveals convergent molecular pathology. Nature. 474, 380 (2011).
  51. Langfelder, P., Zhang, B., Horvath, S. Defining clusters from a hierarchical cluster tree: the Dynamic Tree Cut package for R. Bioinformatics. 24, 719-720 (2008).
  52. Ravasz, E., Somera, A. L., Mongru, D. A., Oltvai, Z. N., Barabasi, A. L. Hierarchical organization of modularity in metabolic networks. Science. 297, 1551-1555 (2002).
  53. Kuleshov, M. V., et al. Enrichr: a comprehensive gene set enrichment analysis web server 2016 update. Nucleic Acids Research. 44, 90-97 (2016).
  54. Liberzon, A., et al. Molecular signatures database (MSigDB) 3.0. Bioinformatics. 27, 1739-1740 (2011).
  55. . FlyEn rich r Available from: https://maayanlab.cloud/FlyEnrichr/#stats (2021)
  56. . JUMPn GitHub Available from: https://github.com/VanderwallDavid/JUMPn_1.0.0/tree/main/resources/example_fly (2021)
  57. Langfelder, P., Horvath, S. Eigengene networks for studying the relationships between co-expression modules. BMC Systems Biology. 1, 54 (2007).
  58. Benjamini, Y., Hochberg, Y. Controlling the false discovery rate – a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B. 57, 289-300 (1995).
  59. Szklarczyk, D., et al. STRING v10: protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Research. 43, 447-452 (2015).
  60. Szklarczyk, D., et al. STRING v11: protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Research. 47, 607-613 (2019).
  61. Huttlin, E. L., et al. The BioPlex network: A systematic exploration of the human interactome. Cell. 162, 425-440 (2015).
  62. Huttlin, E. L., et al. Dual proteome-scale networks reveal cell-specific remodeling of the human interactome. Cell. 184, 3022-3040 (2021).
  63. Li, T., et al. A scored human protein-protein interaction network to catalyze genomic interpretation. Nature Methods. 14, 61-64 (2017).
  64. Wang, H., et al. Deep multiomics profiling of brain tumors identifies signaling networks downstream of cancer driver genes. Nature Communications. 10, 3718 (2019).
  65. Gerstein, M. B., et al. Architecture of the human regulatory network derived from ENCODE data. Nature. 489, 91-100 (2012).
  66. Yu, J., Peng, J., Chi, H. Systems immunology: Integrating multi-omics data to infer regulatory networks and hidden drivers of immunity. Current Opinion in Systems Biology. 15, 19-29 (2019).
  67. Califano, A., Alvarez, M. J. The recurrent architecture of tumour initiation, progression and drug sensitivity. Nature Reviews Cancer. 17, 116-130 (2017).
  68. Hein, M. Y., et al. A human interactome in three quantitative dimensions organized by stoichiometries and abundances. Cell. 163, 712-723 (2015).
  69. Liang, Z., Xu, M., Teng, M. K., Niu, L. W. Comparison of protein interaction networks reveals species conservation and divergence. BMC Bioinformatics. 7, 457 (2006).
  70. Shou, C., et al. Measuring the evolutionary rewiring of biological networks. PLOS Computational Biology. 7, 1001050 (2011).
  71. Zhou, Y., et al. Metascape provides a biologist-oriented resource for the analysis of systems-level datasets. Nature Communications. 10, 1523 (2019).
  72. Cline, M. S., et al. Integration of biological networks and gene expression data using Cytoscape. Nature Protocols. 2, 2366-2382 (2007).

Tags

Protein Co-expressionClusteringNetwork AnalysisProteomicsJUMPn SoftwareCo-expression ClusteringPathway EnrichmentPPI Module DetectionUser-friendly InterfaceInteractive VisualizationPhosphoproteomicsInteractome DataWGCNA AlgorithmCo-expression PatternsTrends PlotPathway Ontology Enrichment Heatmap

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Vanderwall, D., Suresh, P., Fu, Y., Cho, J., Shaw, T. I., Mishra, A., High, A. A., Peng, J., Li, Y. JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics. J. Vis. Exp. (176), e62796, doi:10.3791/62796 (2021).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image