Data Independent Acquisition Pipeline for Microbiome Samples (Microbe-DIA)
本論文は、経験的なスペクトルライブラリに依存することなく、サンプルスループットと定量性能を向上させるために、改良されたLC–MS/MS取得パラメータと計算効率の高いライブラリフリーのデータ非依存型解析（DIA）ワークフローを組み合わせた、最適化され、スケーラブルで、かつコスト効率の高いマイクロバイオーム・メタプロテオミクス用パイプラインを提示する。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
微生物は、私たちの土壌や海、さらには私たちの体内にも存在する、世界の目に見えない建築家です。これらの微小なコミュニティが実際に何をしているのか――どのように廃棄物を分解し、栄養を循環させ、あるいはヒトの健康に影響を与えているのか――を理解するために、科学者たちはそれらが作り出すタンパク質に着目します。タンパク質は生命の機能的な労働者であり、生物が生存するために必要なタスクを実行する機械なのです。しかし、数千もの異なる種が混在する集団の中で、これらのタンパク質を研究することは非常に困難です。それは、大勢の人が一斉に叫んでいるスタジアムの中で、たった一つの会話を聞き取ろうとするようなものです。種の多様性と、それぞれの存在量の圧倒的な差が、コミュニティの活動を鮮明に捉えることを難しくしています。
長年、これらのタンパク質を研究するための標準的な手法は、スポットライトのように最も大きな声を一つずつ選び出す方法でした。このアプローチは単純なサンプルには有効ですが、複雑なマイクロバイオームにおいては、より静かで存在量の少ない「声」を見落としてしまい、データに大きな空白を残してしまいます。データ非依存的取得（DIA）として知られる新しいアプローチは、音のスペクトル全体を広いセグメントに分割することで、全員の声を一度に聞こうと試みるものです。この手法はより多くの情報を捉えることができますが、歴史的には大規模な研究には時間がかかりすぎ、解釈するためには膨大な既成の「音のライブラリ」を必要としてきました。そのライブラリがなければ、特に自然環境に見られる膨大な遺伝的多様性を扱う際、データはあまりに複雑になりすぎて解析不能でした。
パシフィック・ノースウェスト国立研究所の研究チームは、これらの問題を解決し、既存のライブラリを必要とせずに複雑な微生物コミュニティを迅速かつ正確に分析することを可能にする、合理化されたパイプラインを開発しました。彼らは、46種類の異なる細菌株由来のペプチドを混合した、注意深く構築されたマイクロバイオームのモデルを用いて、この手法をテストしました。このモデルは、どの種がどのような割合で存在するかを研究者が正確に把握している制御された環境であり、彼らの新しい手法が、対象となる種を正しく特定し測定できるかどうかを検証するためのものでした。
研究者たちはまず、タンパク質を計量し特定するために使用される装置である質量分析計の設定を最適化しました。彼らは、タンパク質の断片を捕捉するために使用する「窓（ウィンドウ）」のサイズが極めて重要であることを発見しました。より狭い窓を使用することで、信号をより明確に分離でき、広い窓を使用した場合よりも大幅に多くのタンパク質を特定できることが分かりました。次に、彼らはこの新しい高速な手法を、従来の低速な手法と比較しました。従来の手法では、サンプルを12個のパーツに分割してそれぞれを2時間ずつ分析する必要があり、単一のサンプルに対して合計で丸一日の装置稼働時間を要していました。対照的に、新しい手法では、わずか6時間でサンプル全体の分析を完了しました。時間を調整して比較すると、新しいアプローチは従来の手法よりも1時間あたり約9倍多くのタンパク質を特定しており、スピードが精度の犠牲の上に成り立っていないことを証明しました。
膨大なデータベースの中から潜在的なタンパク質を探索するという計算上の課題に対処するため、チームは「MADL（Metaproteomic Analysis with DIA Library-free）」と呼ぶ2段階のプロセスを作成しました。第1段階はフィルターとして機能し、エネルギー生産やDNA複製など、ほぼすべての細菌に共通する最も不可欠な生物学的経路へと探索範囲を絞り込みます。これにより、コンピュータが検索すべきデータベースのサイズが劇的に減少します。コンピュータが核となる機能に基づいてどの生物が存在する可能性が高いかを特定すると、そのリストを用いて第2段階の探索を洗練させ、検出された生物に特有の機能へと焦点を絞ります。このアプローチにより、土壌や腸内環境からの数百万もの潜在的なタンパク質を含むデータベースに対して検索を行った際にも、テスト混合物に含まれる既知の28種のうち25種を特定することに成功しました。
この研究はまた、異なる種の間で非常によく似た外見を持つタンパク質をどのように扱うかについても取り組んでいます。論理的な手法を用いて、これらの共有タンパク質を最も可能性の高い供給源に割り当てることで、チームは以前よりも数千多くのタンパク質の存在量を定量化できることを見出しました。彼らは、この手法がテスト混合物における菌株の既知の割合と一致し、微生物コミュニティの組成を正確に再構築できることを確認しました。さらに、このワークフローをより新しく高速な質量分析計である「Astral」でテストしたところ、数千のタンパク質を高精度で特定しながら、わずか1時間余りで分析を完了できることが分かりました。
この成果は、カスタムライブラリの作成や数日間に及ぶ装置稼働時間のボトルネックなしに、大規模でハイスループットな微生物コミュニティの研究を行うことが可能になったことを示しています。研究者たちは、最適化された装置設定とスマートな2段階の計算戦略を組み合わせることで、微生物の機能を包括的に捉えられることを示しました。これにより、微生物コミュニティが時間の経過とともに、あるいは異なる環境条件に応じてどのように変化するかを、以前では到達できなかったレベルの詳細さとスピードで研究する道が開かれました。この手法は、単にどの微生物が存在するかをリストアップする段階から、彼らが住む複雑な生態系の中で正確に何を行っているのかを理解する段階へと移行するための、実用的でスケーラブルな方法を提供しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。