Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Surveillance du protéome humain utilisant le diaPASEF

Thought LeadersDr. Hannes RöstPrincipal InvestigatorRöst Lab at The University of Toronto

Dans cette entrevue, M. Hannes Röst décrit comment son laboratoire emploient le diaPASEF pour surveiller le protéome humain durant toute la vie d'une personne, et comment l'apprentissage automatique pourrait être employé pour analyser les caractéristiques.

Quels sont les principaux avantages des modes sans données d'acquisition comparés aux modes caractéristique-dépendants d'acquisition ?

Le principal avantage est reproductibilité. L'acquisition sans données te permet de mesurer reproductible différents signes d'analyte en travers des cohortes très grandes. Ce contraste avec l'acquisition dépendante de caractéristiques, où vous employez une méthode stochastique pour échantillonner des peptides dans votre gisement d'analyte. Ceci évite l'échantillonnage reproductible du même gisement de peptide dans chaque échantillon unique.

Avec l'acquisition sans données, vous obtenez une réponse quantitative pour une analyte spécifique dans chaque échantillon unique, et vous n'avez pas cet élément stochastique qui introduit des valeurs manquantes dans votre modification quantitative de caractéristiques que vous observez souvent avec l'acquisition caractéristique-dépendante.

Tracking Healthy to Disease State with Hannes Röst

Queest-ce que le timsTOF est pro, et comment sont vous l'employant pour analyser les échantillons biologiques complexes ?

Le timsTOF pro est un type nouveau d'instrumentation qui est basée sur une architecture traditionnelle de Q-TOF, mais a également un dispositif enfermé de mobilité d'ion devant le spectromètre. Ceci nous permet de faire deux choses : d'abord, il nous permet d'accumuler des ions pour un laps de temps spécifique avant que nous les envoyions à l'analyse, et en second lieu, elle nous permet de séparer des ions par mobilité d'ion.

Ceci signifie que les ions obtiennent orientés dans très un à bande étroite des ions, qui amplifie la sensibilité et fournit l'activité complémentaire de cellules, parce que les ions seront séparés par leur coupe transversale collisionnelle.

Les pro utilisations de timsTOF la méthode séquentielle d'acquisition de la fragmentation d'accumulation parallèle (PASEF), qui exploite la mobilité enfermée d'ion pour se lever à une augmentation de 10 fois d'ordonnancer la vitesse. Elle a basé sur employer la position du quadrupôle et la déménager avec les ions.

Cette augmentation d'ordonnancer la vitesse est réellement essentielle pour des protéomes complexes parce qu'elle nous permet d'aller beaucoup plus profonds dans des protéomes complexes et d'obtenir des réponses quantitatives pour les échantillons très complexes dans peu d'heure.

Votre organisme de recherche se concentre sur des applications de spectrométrie de masse de calcul. S'il vous plaît pouvez-vous nous dire davantage au sujet du laboratoire de Röst et des projets aux lesquels votre équipe travaille ?

Nous travaillons actuel à deux piliers principaux en spectrométrie de masse. Le premier pilier est le développement de la technologie neuve, parce que nous nous sommes rendus compte que la technologie actuelle en spectrométrie de masse aura besoin d'amélioration avant que nous puissions adresser les questions de large échelle et le type de tailles de cohorte que nous voulons adresser.

Nous passons juste ce qu'il faut d'heure développant le logiciel neuf et les méthodes expérimentales neuves afin d'augmenter la reproductibilité et l'évolutivité des méthodes spectrométriques de masse. En même temps, nous prenons ces méthodes et les appliquons sur le deuxième pilier de notre programme de recherche, qui est concentré sur le médicament personnalisé.

Ici, nous essayons de suivre longitudinalement différents patients présentant une installation très dense d'échantillonnage, de sorte que nous puissions voir comment les profils moléculaires biofluids dans patients des' changent au-dessus de leur vie, et au cours des périodes de temps de la santé et de la maladie. Avec ceci, nous espérons comprendre ce qui pilote le passage par un sain à une condition malade.

Insuline et glucagon à côté dnobeastsofierce | Shutterstock

Quel est diaPASEF et comment vous s'applique cette technique au médicament personnalisé ?

le diaPASEF est une méthode neuve qui comporte la composante de mobilité d'ion à l'acquisition sans données (dia). Nous employons actuel le diaPASEF pour analyser de grandes cohortes patientes ou grands peturbations, qui est exigé pour n'importe quel tri de biologie de systèmes d'approche personnalisée de médicament.

Si nous pouvons analyser des perturbations expérimentales très grandes et mesurer des analytes dans chaque perturbation unique, nous pouvons comprendre comment les systèmes biologiques fonctionnent, comment ils réagissent aux perturbations, et comment des signes sont traités.

D'autre part, si nous nous appliquons ceci à différents patients et à cohortes patientes que nous pouvons tracer le profil moléculaire d'un patient unique au-dessus des longues périodes de temps, et nous peut comprendre comment leur profil moléculaire change au fil du temps pendant que leurs modifications d'environnement et de mode de vie. Éventuellement, nous pourrons observer le passage d'un profil sain à un profil de la maladie, et diagnostiquons ceci beaucoup plus tôt.

Pourquoi est-il important d'étudier ces cohortes patientes longitudinalement ?

L'aspect longitudinal est principal parce qu'il nous permet de comparer différents patients à leurs individus antérieurs. Nous voulons nous éloigner du paradigme de comparer différents patients à une moyenne de population, parce que cette moyenne de population peut ne pas être aussi instructive que comparant votre individu actuel et malade à votre individu en bonne santé antérieur.

Vous pouvez avoir un niveau d'une analyte qui est deux fois plus élevée qu'il était il y a de 10 ans, qui est un mauvais signe parce qu'il signifie que vous pouvez développer une certaine maladie. Ce niveau de l'analyte a pu encore être dans le degré de liberté de population, et serait pour cette raison manqué par votre docteur actuel.

Comment l'apprentissage automatique peut-il améliorer les configurations de fragmentation obtenues avec le diaPASEF, et croyez-vous que nous pouvons faire la même chose avec des valeurs en coupe collisionnelles ?

Oui. L'apprentissage automatique est une technique qui est entrée dans la protéomique il y a quelques années. Les gens avaient appliqué profondément apprendre dans la protéomique et le metabolomics avec l'objectif à sauter certaines des opérations très pénibles et à forte intensité de main d'oeuvre que nous actuel devons faire pour l'acquisition sans données.

Une de ces opérations est le rétablissement d'une bibliothèque spectrale ou d'analyse. Nous avons maintenant les premiers signes qu'il peut être possible de prévoir complet ces bibliothèques spectrales, qui nous permettraient d'extraire des caractéristiques de diamètre beaucoup plus efficacement et directement, sans compter sur la preuve expérimentale antérieure dans les mesures expérimentales antérieures qui habituellement doivent être faites par l'acquisition de personne à charge de caractéristiques.

Ceci nous permet de débrancher la tige pénible où nous devons toujours faire l'acquisition dépendante de caractéristiques avant que nous puissions faire l'acquisition sans données, et nous pouvons directement entrer dans les caractéristiques sans données d'acquisition.

Une des prochaines frontières prévoira des valeurs en coupe collisionnelles directement, parce que ceci est exigée pour extraire les caractéristiques de diaPASEF. De nos collaborations avec le Max Planck Institute, nous avons vu que c'est possible et nous commencerons bientôt à déménager ce sens.

Concept dZapp2Photo | Shutterstock

Quels sommes-nous les défis principaux en spectrométrie de masse de calcul, et comment peuvent surmonter ces éditions ?

Je pense un aux défis principaux de la spectrométrie de masse de calcul à l'heure actuelle, particulièrement liés à l'acquisition sans données, est le volume de caractéristiques pur. Ceci a éclaté de nouveau avec le timsTOF pro, où nous avons mille fois plus de caractéristiques que nous avons jamais eu avec les instruments traditionnels de Q-TOF. C'est parce que chaque échographie individuelle de TOF est maintenant fractionnée dans de les poussées mille personnes TOF que nous pouvons tout analyser individuellement.

C'est un défi important en termes d'écailler notre algorithme, mais également en interprétant que quantité massive de caractéristiques. Actuel, nous enregistrons beaucoup plus de caractéristiques que nous pouvons interpréter, ainsi nous voulons déménager vers accroître la pleine quantité de caractéristiques et non seulement d'un petit sous-ensemble.

Je pense que le deuxième défi avec l'acquisition sans données est parce que nous employons une méthode qui acquiert tellement des caractéristiques, nous devons avoir une voie à De-convoluté cette caractéristique et affecter le précurseur individuel trace de retour avec leurs traces d'ion d'éclat. C'est quelque chose qui n'était pas possible avant que nous ayons ajouté la mobilité d'ion comme technique de séparation.

La caractéristique est-elle mille fois plus grandes parce que vous utilisez le spectromètre de masse dans le TOF ?

Elle est plus grande parce que dans toutes les approches précédentes nous avions l'habitude les différentes poussées de TOF pour faire la moyenne de elles dans un spectre unique, alors que maintenant chaque poussée de TOF est associée à une mobilité d'ion. Nous avions l'habitude de prendre d'environ des mesures mille personnes et puis de faire la moyenne de elles dans une mesure unique, qui nous a permise de comprimer les caractéristiques.

Maintenant, chaque poussée individuelle de TOF est associée à une mobilité d'ion, que les moyens nous doivent maintenir que l'information et nous ne pouvons simplement fusionner les caractéristiques plus. Ceci signifie que nous avons beaucoup plus l'information, mais également des défis considérables dans l'analyse de caractéristiques.

Pourquoi le ressentez-vous est-vous important pour effectuer les programmes que vous développez l'accès ouvert ?

Dans notre équipe de recherche, nous avons mis beaucoup d'accent sur le logiciel open source se développant. Une des raisons principales du ce est transparence. Nous voulons que les gens peuvent comprendre et se reproduire exact ce qui se produit avec leur caractéristique, qui est seulement possible avec le logiciel open source.

Seulement de pair avec le logiciel libre vous pouvez aller afficher l'indicatif qui manipule vos caractéristiques de sorte que vous puissiez comprendre comment vous avez obtenu à partir d'un fichier de données brutes à une valeur quantitative de sortie spécifique.

La deuxième raison est d'élever la communauté sans données d'acquisition autour du logiciel que nous produisons. En rendant le logiciel ouvert et procurable aux révélateurs, elle nous permet de produire une communauté des révélateurs qui prennent nos algorithmes et établissent quelque chose sur elle.

Au lieu de fonctionner dans nos différents silos et de l'essai de protéger notre recherche, nous essayons de la rendre aussi ouverte que possible et procurable de communauté de sorte que d'autres gens puissent employer elle et la construction sur elle.

Comment est-ce que vous pensez-vous l'inducteur à la spectrométrie de masse de calcul évoluerez pendant la décennie suivante ?

Actuellement, nous avons plusieurs défis à résoudre en spectrométrie de masse de calcul. Un des défis est l'évaluation des différents ensembles de données requis pour obtenir la pleine quantité d'informations enregistrée par un instrument spectrométrique de masse.

Je pense également que nous devons entrer dans la deuxième cote de l'acquisition de données, qui est le nombre d'échantillons. Nous devons pouvoir faire ce type d'analyse reproductible, de sorte que les valeurs quantitatives que nous trouvons pour des analytes dans un seul passage puissent être trouvées pour chaque patient unique. C'est quelque chose pour lequel nous avons besoin toujours des algorithmes complet neufs, afin d'obtenir ceci pour fonctionner et afin de surmonter des effets en lots.

L'exposé de Hannes de montre à ASBMB 2019

Hannes Rӧst - ASBMB 2019 Presentation

Où peuvent les lecteurs trouver plus d'informations ?

  • F. Meier, A. Brunner, M. Frank, A. Ha, E. Voytik, S. Kaspar-Schoenefeld, M. Lübeck, O. Raether, R. Aebersold, BC Collins, H.L. Röst, M. Mann. (2019). Accumulation parallèle - la fragmentation séquentielle a combiné avec l'acquisition sans données (diaPASEF) : Protéomique ascendante avec l'usage optimal proche d'ion. bioRxiv. DOI : 10.1101/656207.
  • Découvrez le timsTOF pro

Au sujet de Hannes Röst

Hannes Rost - imageHannes Röst est le principal enquêteur du laboratoire de Röst à l'université de Toronto. Röst a complété son Ph.D. dans le laboratoire de professeur Ruedi Aebersold à ETH Zurich, où il a développé des méthodes de calcul nouvelles pour analyser des caractéristiques basées sur spectrométrie de masse de protéomique. Ce travail permis des chercheurs pour augmenter le débit de la protéomique visée expérimente par jusqu'à 100 fois et augmente le nombre d'échantillons qui pourraient s'analyser dans une étude unique.

Dans son rôle actuel, Röst et équipe développent des méthodes spectrométriques de masse nouvelles pour obtenir les modifications hautement quantitatives de caractéristiques de protéomique et de metabolomics et pour employer ces caractéristiques quantitatives pour aborder des questions en biologie de systèmes et médicament personnalisé.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Bruker Daltonics. (2019, September 30). Surveillance du protéome humain utilisant le diaPASEF. News-Medical. Retrieved on October 20, 2021 from https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx.

  • MLA

    Bruker Daltonics. "Surveillance du protéome humain utilisant le diaPASEF". News-Medical. 20 October 2021. <https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx>.

  • Chicago

    Bruker Daltonics. "Surveillance du protéome humain utilisant le diaPASEF". News-Medical. https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx. (accessed October 20, 2021).

  • Harvard

    Bruker Daltonics. 2019. Surveillance du protéome humain utilisant le diaPASEF. News-Medical, viewed 20 October 2021, https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx.