Summary

Acinetobacter baumannii O-bağlantılı Glikopeptitlerlerin Tanımlanması için Açık Arama Tabanlı Yaklaşımların Uygulanması

Published: November 02, 2021
doi:

Summary

Açık arama, daha önce bilinmeyen glikan bileşimleriyle süslenmiş glikopeptidlerin tanımlanmasını sağlar. Bu makalede, Acinetobacter baumannii’yi model olarak kullanan bakteriyel örnekler için açık arama ve müteakip glikan odaklı glikopeptid aramaları yapmak için kolaylaştırılmış bir yaklaşım sunulmuştur.

Abstract

Protein glikozilasyonu, bakteriyel organizmalar içinde yaygın bir modifikasyon olarak giderek daha fazla kabul görmekte ve prokaryotik fizyolojiye ve patojenik türlerin optimal enfektivitesine katkıda bulunmaktadır. Bu nedenle, bakteriyel glikozilasyonun karakterize edilmesine olan ilgi artmakta ve bu olayları tanımlamak için yüksek verimli analitik araçlara ihtiyaç duyulmaktadır. Aşağıdan yukarıya proteomikler, zengin glikopeptid verilerinin üretilmesini kolayca sağlasa da, prokaryotik türlerde gözlenen glikanların genişliği ve çeşitliliği, bakteriyel glikozilasyon olaylarının tanımlanmasını son derece zorlaştırmaktadır.

Geleneksel olarak, bakteriyel proteomik veri kümeleri içindeki glikan bileşimlerinin manuel olarak belirlenmesi, bunu alana özgü uzmanlarla sınırlı büyük ölçüde ısmarlama bir analiz haline getirmiştir. Son zamanlarda, açık arama tabanlı yaklaşımlar, bilinmeyen değişikliklerin tanımlanması için güçlü bir alternatif olarak ortaya çıkmıştır. Peptit dizileri üzerinde gözlenen benzersiz modifikasyonların sıklığını analiz ederek, açık arama teknikleri, karmaşık numuneler içindeki peptitlere bağlı ortak glikanların tanımlanmasına izin verir. Bu makale, glikoproteomik verilerin yorumlanması ve analizi için kolaylaştırılmış bir iş akışı sunmakta ve glikan bileşimleri hakkında önceden bilgi sahibi olmadan bakteriyel glikopeptidleri tanımlamak için açık arama tekniklerinin nasıl kullanılabileceğini göstermektedir.

Bu yaklaşımı kullanarak, glikozilasyon farklılıklarını anlamak için numunelerdeki glikopeptidler hızla tanımlanabilir. Acinetobacter baumannii’yi model olarak kullanan bu yaklaşımlar, suşlar arasındaki glikan bileşimlerinin karşılaştırılmasını ve yeni glikoproteinlerin tanımlanmasını sağlar. Birlikte ele alındığında, bu çalışma, bakteriyel glikozilasyonun tanımlanması için açık veritabanı arama tekniklerinin çok yönlülüğünü göstermekte ve bu çok çeşitli glikoproteomların karakterizasyonunu her zamankinden daha kolay hale getirmektedir.

Introduction

Karbonhidratların protein moleküllerine bağlanma işlemi olan protein glikozilasyonu, doğada en yaygın post-translasyonel modifikasyonlardan (PTM’ler) biridir 1,2. Yaşamın tüm alanlarında, sayısız hücresel fonksiyonu etkileyen glikoproteinlerin üretimine adanmış bir dizi karmaşık makine gelişmiştir 1,3,4,5. Protein glikozilasyonubir dizi amino asit 6,7 üzerinde meydana gelirken, N’ye bağlı ve O’ya bağlı glikozilasyon olayları doğada gözlenen iki baskın formdur. N’ye bağlı glikozilasyon, glikanların asparagin (Asn) kalıntılarının bir azot atomuna bağlanmasını içerirken, O’ya bağlı glikozilasyonda, glikanlar serin (Ser), treonin (Thr) veya tirozin (Tyr) kalıntılarının bir oksijen atomuna bağlanır7. Glikozilasyon sistemleri tarafından hedeflenen kalıntılardaki benzerliklere rağmen, proteinlere bağlı glikanlar içindeki farklılıklar, glikozilasyonun doğada bulunan PTM’lerin kimyasal olarak en çeşitli sınıfı olmasına neden olur.

Ökaryotik glikozilasyon sistemleri glikan çeşitliliğine sahipken, bu sistemler tipik olarak kullanılan benzersiz karbonhidrat sayısında sınırlıdır. Ortaya çıkan çeşitlilik, bu karbonhidratlarınglikanlara nasıl düzenlendiğinden kaynaklanmaktadır 8,9,10,11,12. Buna karşılık, bakteri ve arkeal türler, bu sistemlerde üretilen benzersiz şekerlerin çok çeşitliolması nedeniyle neredeyse sınırsız glikan çeşitliliğine sahiptir 2,10,13,14,15,16,17. Yaşam alanları arasında gözlenen glikan çeşitliliğindeki bu farklılıklar, glikozilasyon olaylarının karakterizasyonu ve tanımlanması için önemli bir analitik zorluğu temsil etmektedir. Ökaryotik glikozilasyon için, glikan bileşimlerini tahmin etme yeteneği, glikobiyolojiye artan ilgiyi kolaylaştırmıştır; Bununla birlikte, aynı şey, hala büyük ölçüde uzmanlaşmış laboratuvarlar tarafından çalışılmakla sınırlı olan bakteriyel glikozilasyon için geçerli değildir. Biyobilimlerde kütle spektrometresi (MS) enstrümantasyonunun erişilebilirliği arttıkça, MS tabanlı yaklaşımlar artık glikoproteomik analiz için birincil yöntemdir.

MS, glikozilasyonun karakterizasyonu için mükemmel bir araç olarak ortaya çıkmıştır ve hem yukarıdan aşağıya hem de aşağıdan yukarıya yaklaşımlar şimdi glikoproteinleri karakterize etmek için yaygın olarak kullanılmaktadır6. Yukarıdan aşağıya proteomikler, spesifik proteinlerin18,19 küresel glikozilasyon paternlerini değerlendirmek için kullanılırken, aşağıdan yukarıya yaklaşımlar, glikopeptidlerin glikana özgü karakterizasyonunu sağlamak için, karmaşık karışımlardan bile6,20,21,22,23 kullanılır. Glikopeptidlerin analizi için, bilgilendirici parçalanma bilgisinin üretilmesi, glikozilasyon olaylarının karakterizasyonu için gereklidir24,25. Rezonans iyon tuzağına dayalı çarpışma kaynaklı ayrışma (IT-CID), ışın tipi çarpışma kaynaklı ayrışma (CID) ve elektron transferi ayrışması (ETD) dahil olmak üzere bir dizi parçalanma yaklaşımına artık aletler üzerinde rutin olarak erişilebilir. Her yaklaşım, glikopeptid analizi 25,26 için farklı güçlü ve zayıf yönlere sahiptir ve son on yılda bu parçalanma yaklaşımlarının glikozilasyonu analiz etmek için uygulanmasında önemli ilerlemeler kaydedilmiştir 6,20. Bununla birlikte, bakteriyel glikozilasyon analizi için kritik sınırlama, glikopeptidleri parçalama yeteneği değil, numuneler içindeki potansiyel glikan bileşimlerini tahmin edememe olmuştur. Bu sistemlerde, çeşitli bakteriyel glikanların bilinmeyen doğası, O-Pair27, GlycopeptideGraphMS28 ve GlycReSoft29 gibi ökaryotik glikopeptidlerin analizi için artık yaygın olan glikozilasyon odaklı arama araçlarıyla bile, glikopeptidlerin tanımlanmasını sınırlar. Bu sorunun üstesinden gelmek için, bakteriyel glikozilasyon çalışması için güçlü bir yaklaşım olarak ortaya çıkan açık arama araçlarının kullanımı ile alternatif bir arama yöntemi gereklidir30.

Kör veya joker karakter arama olarak da bilinen açık arama, bilinmeyen veya beklenmeyen PTM’lere sahip peptitlerin tanımlanmasına izin verir 21,30,31,32. Açık aramalar, seçilmiş değişiklik aramaları, çok adımlı veritabanı aramaları veya geniş kütle toleranslı arama33,34,35,36,37 dahil olmak üzere çeşitli hesaplama tekniklerini kullanır. Açık arama büyük bir potansiyele sahip olmasına rağmen, kullanımı tipik olarak, analiz sürelerindeki önemli artış ve sınırlı aramalara kıyasla değiştirilmemiş peptitlerin tespitindeki hassasiyet kaybı nedeniyle engellenmiştir31,32. Modifiye edilmemiş peptid-spektral eşleşmelerin (PSM’ler) tespitindeki azalma, istenen yanlış keşif oranlarını (FDR’ler) korumak için artan sıkı filtreleme gerektiren bu tekniklerle ilişkili artan yanlış pozitif PSM oranlarının bir sonucudur 33,34,35,36,37 . Son zamanlarda, Byonic 31,38, Open-pFind39, ANN-SoLo 40 ve MSFragger21,41 dahil olmak üzere açık aramanın erişilebilirliğini önemli ölçüde artıran çeşitli araçlar kullanıma sunulmuştur. Bu araçlar, analiz sürelerini önemli ölçüde azaltarak ve heterojen glikan bileşimlerini işlemek için yaklaşımlar uygulayarak glikozilasyon olaylarının sağlam bir şekilde tanımlanmasını sağlar.

Bu makalede, Gram-negatif nozokomiyal patojen Acinetobacter baumannii’yi model olarak kullanarak, bakteriyel glikopeptidlerin açık arama yoluyla tanımlanması için kolaylaştırılmış bir yöntem sunulmaktadır. A. baumannii, PglL protein glikozilasyon sistemi42,43,44 olarak bilinen çoklu protein substratlarının modifikasyonundan sorumlu korunmuş bir O-bağlantılı glikozilasyon sistemine sahiptir. Benzer proteinler suşlar arasında glikozilasyon için hedeflenirken, PglL glikozilasyon sistemi, kapsül lokusundan (K-lokus olarak bilinir) türetilen protein glikozilasyonu için kullanılan glikanın biyosentezi nedeniyle oldukça değişkendir4,45,46. Bu, tek veya sınırlı polimerize K-birimlerinden türetilen çeşitli glikanların (K-birimi olarak da bilinir) protein substratlarına 30,44,46 eklenmesiyle sonuçlanır. Bu çalışmada, FragPipe yazılımı içindeki açık arama aracı MSfragger’ın kullanımı, A. baumannii suşları arasındaki glikanları tanımlamak için kullanılmıştır. Açık arama ve manuel kürasyonu birleştirerek, bakteriyel glikopeptidlerin tanımlanmasını daha da iyileştirmek için “glikan odaklı aramalar” yapılabilir. Birlikte, bu çok adımlı tanımlama yaklaşımı, yeni glikozilasyon olaylarının karakterizasyonunda geniş deneyime sahip olmadan glikopeptidlerin tanımlanmasını sağlar.

Protocol

NOT: Bakteriyel glikopeptid numunelerinin hazırlanması ve analizi dört bölüme ayrılabilir (Şekil 1). Bu çalışmada üç sıralı A. baumannii suşunun glikozilasyonu değerlendirilmiştir (Tablo 1). Bu suşların her birinin Proteome FASTA veritabanlarına Uniprot üzerinden erişilebilir. Bu protokolde kullanılan arabelleklerin bileşimi için Tablo 2’ye bakın. 1. Proteomik analiz için protein numunele…

Representative Results

Bakteriyel glikopeptid analizi için açık aramanın yararlılığını göstermek için, A. baumannii-AB307-0294, ACICI ve D1279779-‘un üç suşu içindeki O’ya bağlı glikanların kimyasal çeşitliliği değerlendirildi. O-bağlı glikoproteomlar A. baumannii suşları arasında oldukça değişkendir, çünkü glikozilasyon için kullanılan glikanlar oldukça değişken kapsül lokus44,45,46’dan<sup class="xr…

Discussion

Açık arama, bilinmeyen değişikliklerin tanımlanması için etkili ve sistematik bir yöntemdir. Bakteriyel proteom numuneleri içinde bilinmeyen glikanların tanımlanması geleneksel olarak zaman alıcı ve teknik olarak uzmanlaşmış bir girişim olsa da, MSfragger 21,41 ve Byonic 31,38 gibi araçların son gelişmeleri, peptitlere bağlı potansiyel glikanlar olarak daha fazla karakterizasyon iç…

Disclosures

The authors have nothing to disclose.

Acknowledgements

N.E.S, Avustralya Araştırma Konseyi Gelecek Bursu (FT200100270) ve ARC Keşif Projesi Bursu (DP210100362) tarafından desteklenmektedir. MS enstrümantasyonuna erişim için Bio21 Moleküler Bilim ve Biyoteknoloji Enstitüsü’nün Melbourne Kütle Spektrometresi ve Proteomik Tesisi’ne teşekkür ederiz.

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

References

  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. Bioinformatics. 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. Bioinformatics. 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

Cite This Article
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