Data Independent Acquisition Pipeline for Microbiome Samples (Microbe-DIA)
Cet article présente un pipeline optimisé, évolutif et rentable pour la métaprotéomique du microbiome qui combine des paramètres d'acquisition LC–MS/MS améliorés avec un flux de travail d'acquisition indépendante des données (DIA) sans bibliothèque et efficace sur le plan computationnel afin d'améliorer le débit des échantillons et les performances quantitatives sans dépendre de bibliothèques spectrales empiriques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les microbes sont les architectes invisibles de notre monde, vivant dans notre sol, nos océans et même à l'intérieur de nos propres corps. Pour comprendre ce que ces petites communautés font réellement — comment elles décomposent les déchets, cyclent les nutriments ou influencent la santé humaine — les scientifiques étudient les protéines qu'elles produisent. Les protéines sont les travailleurs fonctionnels de la vie ; ce sont les machines qui accomplissent les tâches nécessaires à la survie d'un organisme. Cependant, étudier ces protéines dans une foule mixte de milliers d'espèces différentes est incroyablement difficile. C'est comme essayer d'écouter une seule conversation dans un stade rempli de gens qui crient tous en même temps. Le nombre considérable de espèces différentes et les vastes différences dans la quantité de chacune existante rendent difficile la capture d'une image claire de l'activité de la communauté.
Pendant des années, la méthode standard pour étudier ces protéines a été une méthode qui agit comme un projecteur, isolant les voix les plus fortes une par une. Cette approche fonctionne bien pour des échantillons simples, mais dans un microbiome complexe, elle manque les voix plus discrètes et moins abondantes, laissant de grandes lacunes dans les données. Une approche plus récente, connue sous le nom d'acquisition indépendante des données (data-independent acquisition), tente d'écouter tout le monde à la fois en découpant l'ensemble du spectre sonore en larges segments. Bien que cette méthode capture beaucoup plus d'informations, elle a historiquement été trop lente pour les études de grande envergure et nécessitait une vaste bibliothèque de sons préétablie pour donner un sens au bruit. Sans cette bibliothèque, les données étaient trop complexes à analyser, surtout lorsqu'il s'agissait de traiter la vaste diversité génétique présente dans les environnements naturels.
Une équipe de chercheurs du Pacific Northwest National Laboratory a maintenant développé un pipeline rationalisé qui résout ces problèmes, permettant aux scientifiques d'analyser rapidement et précisément des communautés microbiennes complexes sans avoir besoin d'une bibliothèque préexistante. Ils ont testé leur méthode en utilisant un modèle de microbiome soigneusement construit, mélangeant des peptides provenant de quarante-six souches bactériennes différentes. Ce modèle a servi d'environnement contrôlé où les chercheurs savaient exactement quelles espèces étaient présentes et dans quelles proportions, ce qui leur a permis de vérifier si leur nouvelle méthode pouvait identifier et mesurer correctement ces espèces.
Les chercheurs ont d'abord optimisé les réglages de leurs spectromètres de masse, les instruments utilisés pour peser et identifier ces protéines. Ils ont découvert que la taille de la « fenêtre » utilisée pour capturer les fragments de protéines était critique. En utilisant une fenêtre plus étroite, ils pouvaient séparer les signaux plus clairement, identifiant nettement plus de protéines qu'avec des fenêtres plus larges. Ils ont ensuite comparé leur nouvelle méthode rapide à l'approche traditionnelle, plus lente. La méthode traditionnelle nécessitait de diviser l'échantillon en douze parties distinctes et d'analyser chacune d'elles pendant deux heures, soit un temps d'instrument total d'une journée entière pour un seul échantillon. En revanche, la nouvelle méthode a analysé l'échantillon entier en seulement six heures. Ajustée en fonction du temps, la nouvelle approche identifiait près de neuf fois plus de protéines par heure que l'ancienne méthode, prouvant que la vitesse ne se faisait pas au détriment de la précision.
Pour gérer le défi computationnel consistant à effectuer des recherches dans de vastes bases de données de protéines potentielles, l'équipe a créé un processus en deux étapes qu'ils appellent l'analyse métaprotéomique sans bibliothèque DIA, ou MADL (Metaproteomic Analysis with DIA Library-free). La première étape agit comme un filtre, limitant la recherche aux seules voies biologiques essentielles qui sont communes à presque toutes les bactéries, telles que celles impliquées dans la production d'énergie et la réplication de l'ADN. Cela réduit considérablement la taille de la base de données que l'ordinateur doit explorer. Une fois que l'ordinateur a identifié quels organismes sont probablement présents sur la base de ces fonctions centrales, il utilise cette liste pour affiner la recherche lors d'une seconde étape, en se concentrant sur les fonctions spécifiques des organismes détectés. Cette approche leur a permis d'identifier avec succès vingt-cinq des vingt-huit espèces connues de leur mélange de test, même en effectuant des recherches dans une base de données contenant des millions de protéines potentielles issues d'environnements de sols et d'intestins.
L'étude a également abordé la question de la gestion des protéines qui semblent très similaires entre différentes espèces. En utilisant une méthode logique pour assigner ces protéines partagées à la source la plus probable, l'équipe a constaté qu'elle pouvait quantifier l'abondance de milliers de protéines de plus que auparavant. Ils ont confirmé que leur méthode pouvait reconstruire avec précision la composition de la communauté microbienne, correspondant aux proportions connues des souches de leur mélange de test. De plus, ils ont testé ce flux de travail sur un spectromètre de masse plus récent et plus rapide, l'Astral, et ont constaté qu'il pouvait terminer l'analyse en un peu plus d'une heure tout en identifiant des milliers de protéines avec une haute précision.
Ce travail démontre qu'il est désormais possible de réaliser des études de grande envergure et à haut débit sur les communautés microbiennes sans le goulot d'étranglement de la création de bibliothèques personnalisées ou de passer des jours sur l'instrument. Les chercheurs ont montré qu'en combinant des réglages d'instruments optimisés avec une stratégie computationnelle intelligente en deux étapes, les scientifiques peuvent capturer une vue complète de la fonction microbienne. Cela ouvre la voie à l'étude de la façon dont ces communautés changent au fil du temps ou en réponse à différentes conditions environnementales avec un niveau de détail et une rapidité qui étaient auparavant hors de portée. La méthode offre un moyen pratique et évolutif de passer du simple inventaire des microbes présents à la compréhension exacte de ce qu'ils font dans les écosystèmes complexes qu'ils habitent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.