Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Monitorando o Proteome humano que usa o diaPASEF

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

Nesta entrevista, o Dr. Hannes Röst descreve como seu laboratório está usando o diaPASEF para monitorar o proteome humano durante todo a vida de uma pessoa, e como a aprendizagem de máquina poderia ser usada para analisar os dados.

Que são as vantagens principais dos modos sem dados da aquisição comparados aos modos dados-dependentes da aquisição?

A vantagem principal é reprodutibilidade. A aquisição sem dados permite que você meça reprodutìvel sinais individuais do analyte através das coortes muito grandes. Isto é em contraste com a aquisição dependente dos dados, onde você usa um método estocástico para provar peptides em sua associação do analyte. Isto impede a amostra reprodutível da mesma associação do peptide em cada única amostra.

Com aquisição sem dados, você está obtendo uma resposta quantitativa para um analyte específico em cada única amostra, e você não tem este elemento estocástico que introduz valores faltantes em sua matriz quantitativa dos dados que você observa frequentemente com aquisição dados-dependente.

Tracking Healthy to Disease State with Hannes Röst

Que é o timsTOF pro, e como você o está usando para analisar amostras biológicas complexas?

O timsTOF pro é um tipo novo de instrumentação que é baseada em uma arquitetura tradicional de Q-TOF, mas igualmente tem um dispositivo prendido da mobilidade do íon na frente do espectrómetro. Isto permite que nós façam duas coisas: primeiramente, permite nós acumulem íons para uma quantidade de tempo específica antes que nós os enviemos à análise, e em segundo, permite que nós separem íons pela mobilidade do íon.

Isto significa que os íons obtêm focalizados em um muito de faixa estreita dos íons, que impulsione a sensibilidade e forneça a actividade adicional da pilha, porque os íons serão separados por seu secção transversal conflitual.

Os pro usos do timsTOF o método de série da aquisição da fragmentação da acumulação paralela (PASEF), que explora a mobilidade prendida do íon para se levantar 10 vezes a um aumento em arranjar em seqüência a velocidade. Tem com base em usar a posição do quadrupole e em movê-la junto com os íons.

Este aumento em arranjar em seqüência a velocidade é realmente crucial para proteomes complexos porque permite que nós vão muito mais profundos em proteomes complexos e obtenham respostas quantitativas para amostras muito complexas em uma quantidade de tempo curto.

Seu grupo de investigação centra-se sobre aplicações da espectrometria em massa computacional. Por favor pode você dizer-nos mais sobre o laboratório de Röst e os projectos em que sua equipe está trabalhando?

Nós estamos trabalhando actualmente em duas colunas principais na espectrometria em massa. A primeira coluna é a revelação da nova tecnologia, porque nós realizamos que a tecnologia actual na espectrometria em massa precisará a melhoria antes que nós possamos endereçar as perguntas da grande escala e o tipo de tamanhos da coorte que nós queremos endereçar.

Nós passamos um bastante do tempo que desenvolve o software novo e métodos experimentais novos a fim aumentar a reprodutibilidade e a escalabilidade de métodos spectrometric em massa. Ao mesmo tempo, nós tomamos estes métodos e aplicamo-los na segunda coluna de nosso programa de investigação, que é centrado sobre a medicina personalizada.

Aqui, nós estamos tentando seguir longitudinalmente pacientes individuais com uma instalação muito densa da amostra, de modo que nós possamos ver como os perfis moleculars biofluids nos pacientes' mudam sobre sua vida, e durante períodos de tempo de saúde e de doença. Com isto, nós esperamos compreender o que conduz a transição de um saudável a um estado doente.

Insulina e glucagon ao lado do glóbulo vermelhonobeastsofierce | Shutterstock

Que são diaPASEF e como você estão aplicando esta técnica à medicina personalizada?

o diaPASEF é um método novo que incorpore o componente da mobilidade do íon na aquisição sem dados (dia). Nós estamos usando actualmente o diaPASEF para analisar grandes coortes pacientes ou grandes peturbations, que é exigido para meio a biologia de sistemas da aproximação personalizada da medicina.

Se nós podemos analisar perturbação experimentais muito grandes e determinar analytes em cada única perturbação, nós podemos compreender como os sistemas biológicos trabalham, como reagem às perturbação, e como os sinais são processados.

Por outro lado, se nós aplicamos este aos pacientes individuais e às coortes que pacientes nós podemos seguir o perfil molecular de um único paciente durante longos período do tempo, e nós pode compreender como seu perfil molecular muda ao longo do tempo enquanto suas mudanças do ambiente e do estilo de vida. Eventualmente, nós poderemos observar a transição de um perfil saudável a um perfil da doença, e diagnosticamos este muito mais cedo.

Por que é importante estudar longitudinalmente estas coortes pacientes?

O aspecto longitudinal é chave porque permite que nós comparem pacientes individuais a seus autos passados. Nós queremos mover-se longe do paradigma de comparar pacientes individuais a uma média da população, porque essa média da população não pode ser tão informativa quanto comparando seu auto actual, doente a seu auto saudável passado.

Você pode ter um nível de um analyte que seja duas vezes mais alto que era 10 anos há, que é um sinal ruim porque significa que você pode desenvolver uma determinada doença. Este nível do analyte podia ainda estar dentro da variação de população, e conseqüentemente seria faltado por seu doutor actual.

Como pode a aprendizagem de máquina aumentar os testes padrões da fragmentação obtidos com diaPASEF, e você acredita que nós podemos fazer o mesmos com valores de secção transversal conflituais?

Sim. A aprendizagem de máquina é uma técnica que entre no proteomics há alguns anos atrás. Os povos têm aplicado profundamente a aprendizagem no proteomics e o metabolomics com o objetivo saltar algumas das etapas muito fastidiosas e trabalho-intensivas que nós actualmente temos que fazer para a aquisição sem dados.

Uma destas etapas é a geração de uma biblioteca espectral ou do ensaio. Nós temos agora as primeiras indicações que pode ser possível prever completamente estas bibliotecas espectrais, que permitiriam que nós minassem dados do diâmetro muito mais eficientemente e directamente, sem confiar na evidência experimental prévia nas medidas experimentais prévias que geralmente têm que ser feitas pela aquisição do dependente dos dados.

Isto permite que nós desliguem a relação fastidiosa onde nós precisamos sempre de fazer a aquisição dependente dos dados antes que nós possamos fazer a aquisição sem dados, e nós pudermos directamente entrar nos dados sem dados da aquisição.

Uma das fronteiras seguintes estará prevendo valores de secção transversal conflituais directamente, porque esta é exigida para minar os dados do diaPASEF. De nossas colaborações com o Max Planck Institute, nós vimos que este é possível e nós começaremos logo se mover nesse sentido.

Conceito da aprendizagem de máquinaZapp2Photo | Shutterstock

Que são os desafios principais na espectrometria em massa computacional, e como podem nós superar aquelas edições?

Eu penso um dos desafios principais da espectrometria em massa computacional neste momento, relativos especificamente à aquisição sem dados, estou a um volume de dados completo. Isto explodiu outra vez com o timsTOF pro, onde nós temos mil vezes mais dados do que nós tivemos nunca com os instrumentos tradicionais de Q-TOF. Isto é porque cada varredura individual de TOF é agora rachada acima nos impulsos de mil indivíduos TOF que nós podemos todos analisar individualmente.

Este consiste um grande desafio em termos de escalar nosso algoritmo, mas igualmente em interpretar essa quantidade maciça de dados. Actualmente, nós estamos gravando muito mais dados do que nós podemos interpretar, assim que nós queremos se mover para leveraging o valor total dos dados e não somente de um subconjunto pequeno.

Eu penso que o segundo desafio com aquisição sem dados é porque nós estamos usando um método que esteja adquirindo tanto dados, nós precisamos de ter uma maneira a de-convolute estes dados e atribuir o precursor individual segue para trás junto com seus traços do íon do fragmento. Este foi algo que não era possível antes que nós adicionamos a mobilidade do íon como uma técnica de separação.

São os dados mil vezes maiores porque você está usando o espectrómetro em massa no TOF?

São mais grandes porque em todas as aproximações precedentes nós usamos os impulsos individuais de TOF para calcular a média d em um único espectro, visto que cada impulso de TOF é associado agora com uma mobilidade do íon. Nós usamo-nos para tomar medidas de aproximadamente mil indivíduos e para calcular a média então d em uma única medida, que permitisse que nós comprimissem os dados.

Agora, cada impulso individual de TOF é associado com uma mobilidade do íon, que os meios nós precisem de manter que a informação e nós não podemos simplesmente fundir os dados anymore. Isto significa que nós temos muito mais a informação, mas igualmente desafios do substancial na análise de dados.

Por que você o sente é importante fazer os programas que você desenvolve o acesso aberto?

Em nossa equipa de investigação, nós pusemos muita ênfase no software livre tornando-se. Uma das razões principais para o esse é transparência. Nós queremos povos poder compreender exactamente e reproduzir o que acontece com seus dados, que são somente possíveis com software livre.

Somente com software livre você pode ir ler o código que manipula seus dados de modo que você possa compreender como você chegou de uma lima dos dados brutos a um valor quantitativo da saída específica.

A segunda razão é crescer a comunidade sem dados da aquisição em torno do software que nós estamos produzindo. Fazendo o software aberto e disponível aos reveladores, permite que nós criem uma comunidade dos reveladores que tomam nossos algorisms e constroem algo sobre ela.

Em vez do trabalho em nossos silos individuais e da tentativa proteger nossa pesquisa, nós estamos tentando fazê-la tão aberta quanto possível e disponível à comunidade de modo que outros povos possam usar a e a construção em cima dela.

Como você pensa o campo da espectrometria em massa computacional evoluirá na próxima década?

Presentemente, nós temos diversos desafios a resolver na espectrometria em massa computacional. Um dos desafios é a interpretação das séries de dados individuais necessários para obter o valor total da informação gravado por um instrumento spectrometric em massa.

Eu igualmente penso que nós precisamos de entrar na segunda dimensão de por aquisição de dados, que é o número de amostras. Nós precisamos de poder fazer reprodutìvel esse tipo de análise, de modo que os valores quantitativos que nós encontramos para analytes em uma única corrida possam ser encontrados para cada único paciente. Este é algo que nós ainda precisamos algoritmos completamente novos para, a fim conseguir isto trabalhar e a fim superar efeitos do grupo.

A apresentação de Hannes do relógio em ASBMB 2019

Hannes Rӧst - ASBMB 2019 Presentation

Onde podem os leitores encontrar mais informação?

  • F. Meier, A. Brunner, M. Frank, A. Ha, E. Voytik, S. Kaspar-Schoenefeld, M. Lubeque, O. Raether, R. Aebersold, B.C. Collins, H.L. Röst, M. Mann. (2019). Acumulação paralela - a fragmentação de série combinou com a aquisição sem dados (diaPASEF): Proteomics de baixo para cima com uso óptimo próximo do íon. bioRxiv. DOI: 10.1101/656207.
  • Descubra o timsTOF pro

Sobre Hannes Röst

Hannes Rost - imagemHannes Röst é o investigador principal do laboratório de Röst na universidade de toronto. Röst terminou seu Ph.D. no laboratório do professor Ruedi Aebersold em ETH Zurique, onde desenvolveu métodos computacionais novos para analisar dados espectrometria-baseados massa do proteomics. Este trabalho permitiu que os pesquisadores aumentassem a produção de experiências visadas do proteomics pela dobra até 100 e aumentassem o número de amostras que poderiam ser analisadas em um único estudo.

Em seu papel actual, Röst e a equipe desenvolvem métodos spectrometric em massa novos para obter matrizes altamente quantitativas dos dados do proteomics e do metabolomics e para usar estes dados quantitativos para endereçar perguntas na biologia de sistemas e na medicina personalizada.

Citations

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

  • APA

    Bruker Daltonics. (2019, September 30). Monitorando o Proteome humano que usa o diaPASEF. News-Medical. Retrieved on October 16, 2021 from https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx.

  • MLA

    Bruker Daltonics. "Monitorando o Proteome humano que usa o diaPASEF". News-Medical. 16 October 2021. <https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx>.

  • Chicago

    Bruker Daltonics. "Monitorando o Proteome humano que usa o diaPASEF". News-Medical. https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx. (accessed October 16, 2021).

  • Harvard

    Bruker Daltonics. 2019. Monitorando o Proteome humano que usa o diaPASEF. News-Medical, viewed 16 October 2021, https://www.news-medical.net/news/20190925/Monitoring-the-Human-Proteome-using-diaPASEF.aspx.