Data Independent Acquisition Pipeline for Microbiome Samples (Microbe-DIA)
Questo articolo presenta una pipeline ottimizzata, scalabile ed economica per la metaproteomica del microbioma che combina parametri di acquisizione LC–MS/MS migliorati con un flusso di lavoro Data-Independent Acquisition (DIA) computazionalmente efficiente e privo di librerie, al fine di potenziare il throughput dei campioni e le prestazioni quantitative senza fare affidamento su librerie spettrali empiriche.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
I microbi sono gli architetti invisibili del nostro mondo, che vivono nel nostro suolo, nei nostri oceani e persino dentro i nostri stessi corpi. Per capire cosa stiano facendo realmente queste minuscole comunità — come decompongono i rifiuti, cicmano i nutrienti o influenzano la salute umana — gli scienziati studiano le proteine che producono. Le proteine sono i lavoratori funzionali della vita; sono le macchine che svolgono i compiti necessari affinché un organismo sopravviva. Tuttavia, studiare queste proteine in una folla mista di migliaia di specie diverse è incredibilmente difficile. È come cercare di ascoltare una singola conversazione in uno stadio pieno di persone che urlano contemporaneamente. L'enorme numero di specie diverse e le vaste differenze nel modo in cui ognuna di esse esiste rendono difficile catturare un'immagine chiara dell'attività della comunità.
Per anni, il modo standard per studiare queste proteine è stato un metodo che agisce come un riflettore, selezionando una voce alla volta, quella più forte. Questo approccio funziona bene per campioni semplici, ma in un microbioma complesso, perde le voci più calme e meno abbondanti, lasciando grandi lacune nei dati. Un approccio più recente, noto come acquisizione data-independent (indipendente dai dati), tenta di ascoltare tutti contemporaneamente suddividendo l'intero spettro sonoro in segmenti ampi. Sebbene questo metodo catturi molte più informazioni, storicamente è stato troppo lento per studi su larga scala e ha richiesto una massiccia libreria pre-costruita di suoni per dare un senso al rumore. Senza quella libreria, i dati erano troppo complessi da analizzare, specialmente quando si trattava della vasta diversità genetica presente negli ambienti naturali.
Un team di ricercatori del Pacific Northwest National Laboratory ha sviluppato una pipeline snella che risolve questi problemi, consentendo agli scienziati di analizzare comunità microbiche complesse in modo rapido e accurato senza la necessità di una libreria preesistente. Hanno testato il loro metodo utilizzando un modello di microbioma accuratamente costruito, mescolando peptidi provenienti da quarantasei diversi ceppi batterici. Questo modello ha servito come ambiente controllato in cui i ricercatori sapevano esattamente quali specie fossero presenti e in quali proporzioni, permettendo loro di verificare se il nuovo metodo potesse identificare e misurare correttamente ciascuna di esse.
I ricercatori hanno prima ottimizzato le impostazioni dei loro spettrometri di massa, gli strumenti utilizzati per pesare e identificare queste proteine. Hanno scoperto che la dimensione della "finestra" utilizzata per catturare i frammenti proteici era critica. Utilizzando una finestra più stretta, sono riusciti a separare i segnali in modo più chiaro, identificando significativamente più proteine rispetto alle finestre più ampie. Hanno poi confrontato il loro nuovo metodo veloce con l'approccio tradizionale, più lento. Il metodo tradizionale richiedeva di dividere il campione in dodici parti separate e analizzare ciascuna per due ore, per un totale di un intero giorno di tempo strumentale per un singolo campione. Al contrario, il nuovo metodo ha analizzato l'intero campione in soli sei ore. Regolando il dato per il tempo, il nuovo approccio ha identificato quasi nove volte più proteine per ora rispetto al vecchio metodo, dimostrando che la velocità non è arrivata a scapito dell'accuratezza.
Per gestire la sfida computazionale di cercare attraverso enormi database di potenziali proteine, il team ha creato un processo in due fasi che chiamano Metaproteomic Analysis with DIA Library-free, o MADL. La prima fase agisce come un filtro, restringendo la ricerca solo ai percorsi biologici essenziali che sono comuni a quasi tutti i batteri, come quelli coinvolti nella produzione di energia e nella replicazione del DNA. Ciò riduce drasticamente la dimensione del database che il computer deve cercare. Una volta che il computer identifica quali organismi sono probabilmente presenti in base a queste funzioni fondamentali, utilizza quell'elenco per raffinare la ricerca in un secondo passaggio, concentrandosi sulle funzioni specifiche degli organismi rilevati. Questo approccio ha permesso loro di identificare con successo venticinque delle ventotto specie note nel loro mix di test, anche cercando contro un database contenente milioni di potenziali proteine provenienti da ambienti del suolo e dell'intestino.
Lo studio ha anche affrontato come gestire le proteine che appaiono molto simili tra diverse specie. Utilizzando un metodo logico per assegnare queste proteine condivise alla fonte più probabile, il team ha scoperto di poter quantificare l'abbondanza di migliaia di proteine in più rispetto a prima. Hanno confermato che il loro metodo può ricostruire accuratamente la composizione della comunità microbica, corrispondendo alle proporzioni note dei ceppi nel loro mix di test. Inoltre, hanno testato questo flusso di lavoro su uno spettrometro di massa più recente e veloce, l'Astral, e hanno scoperto che poteva completare l'analisi in poco più di un'ora pur identificando migliaia di proteine con alta precisione.
Questo lavoro dimostra che è ora possibile eseguire studi su larga scala e ad alto rendimento sulle comunità microbiche senza l'ostacolo della creazione di librerie personalizzate o di passare giorni sul tempo dello strumento. I ricercatori hanno dimostrato che, combinando impostazioni strumentali ottimizzate con una strategia computazionale intelligente in due fasi, gli scienziati possono catturare una visione completa della funzione microbica. Ciò apre la porta allo studio di come queste comunità cambino nel tempo o in risposta a diverse condizioni ambientali con un livello di dettaglio e velocità che prima era fuori portata. Il metodo fornisce un modo pratico e scalabile per passare dal semplice elenco di quali microbi siano presenti alla comprensione di ciò che stanno facendo esattamente nei complessi ecosistemi che abitano.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.