High resolution, proteome-wide mapping of subcellular protein localization in plants

Deze studie presenteert een geoptimaliseerde massaspectrometrie-strategie die een uitgebreide, hoogresolutie kaart van de subcellulaire lokalisatie van duizenden eiwitten in Arabidopsis en Marchantia oplevert, waarbij een sterke evolutionaire conservatie wordt aangetoond en de methode succesvol wordt toegepast om dynamische verplaatsingen van eiwitten onder invloed van behandelingen of mutaties in kaart te brengen.

De kern

Stel je voor dat een plant een enorme, drukke stad is. In deze stad wonen miljarden kleine werknemers: de eiwitten. Elke werknemer heeft een specifieke baan. Sommige werken in de fabriek (de chloroplasten waar fotosynthese plaatsvindt), anderen in het postkantoor (de vacuole), of in het stadhuis (de kern).

Het probleem is dat wetenschappers vaak niet precies weten waar deze werknemers werken. Ze weten dat ze er zijn, maar niet hun adres. Zonder het adres is het moeilijk om te begrijpen wat ze doen of hoe de stad werkt.

Deze paper beschrijft een revolutionaire manier om een grootstedelijk adresboek te maken voor planten, specifiek voor de plant Arabidopsis (een bekend modelplantje) en de mossoort Marchantia.

Hier is hoe ze het deden, vertaald in begrijpelijke taal:

1. De Grote Sorteerpartij (Het Experiment)

Stel je voor dat je een hele stad in één grote container stopt en die container laat vallen. Alles valt uit elkaar. Vervolgens gooi je de inhoud in een reeks verschillende zeven met steeds fijnere gaatjes.

• De zware dingen (zoals de kern van de cel) zakken direct naar de bodem.
• De lichtere dingen (zoals het cytoplasma) blijven langer drijven.
• De middengewichten (zoals mitochondriën) landen ergens in het midden.

De onderzoekers deden precies dit, maar dan met plantencellen. Ze draaiden de cellen in een centrifuge (een superkrachtige draaimolen) om de inhoud in verschillende bakjes te verdelen. Vervolgens keken ze met een superkrachtige microscoop (massaspectrometrie) naar elk bakje en zagen ze: "Ah, in bakje 3 zitten vooral de 'postbodes', en in bakje 7 zitten de 'fabrieksarbeiders'."

2. Het Digitale Landkaartje (De Data)

Ze hadden duizenden van deze bakjes en duizenden eiwitten. Hoe vind je nu waar elk eiwit hoort?
Ze gebruikten een slim computerprogramma dat werkt als een Google Maps voor cellen.

• Het programma kijkt naar het patroon: "Dit eiwit komt vaak voor in bakje 3, 4 en 5, net als de bekende postbodes."
• Conclusie: "Dit nieuwe, onbekende eiwit werkt waarschijnlijk ook in het postkantoor."

Zo maakten ze een interactieve kaart waarop ze 7.815 eiwitten in de wortels en 4.672 in de hele zaailing van Arabidopsis konden plaatsen. Voor de mossoort Marchantia maakten ze ook een kaart met 2.782 eiwitten.

3. De Controle (Is het waar?)

Natuurlijk vraag je je af: "Is dit computerprogramma wel betrouwbaar?"
De onderzoekers namen 35 willekeurige eiwitten die ze nog nooit hadden gezien, plakte er een klein lampje (een fluorescerend eiwit) aan vast, en keek onder de microscoop.

• Resultaat: In 84% van de gevallen bleek het lampje precies op de plek te branden waar het computerprogramma had voorspeld. Het adresboek klopte dus!

4. De Geschiedenisles (Evolutie)

Ze vergeleken de stad van de bloeiende plant (Arabidopsis) met die van de mos (Marchantia). Deze twee soorten zijn ongeveer 430 miljoen jaar geleden uit elkaar gegroeid, net als twee verre neven die al eeuwen niet hebben gesproken.

• Verrassend nieuws: Hun stadsplattegronden zijn bijna identiek! De meeste werknemers zitten op exact dezelfde plekken. Dit betekent dat de basis van hoe een plantcel werkt, al heel lang niet is veranderd.
• Er waren wel een paar uitzonderingen: sommige werknemers zijn verhuisd naar een nieuw kantoor. Dit geeft wetenschappers hints over hoe planten zich hebben aangepast in de loop van de tijd.

5. De Dynamische Stad (Veranderingen)

Steden veranderen. Soms verhuizen mensen als er een feestje is of een crisis.
De onderzoekers testten dit door:

1. Een chemische blokkade (BFA): Ze gaven de plant een stofje dat het verkeer (het vervoer van eiwitten) blokkeerde. Ze zagen direct welke "werknemers" vastliepen en waar ze zich ophoopten.
2. Een mutant (gnom): Ze keken naar een plant met een genetische fout die bekend staat om verkeersproblemen. Ook hier zagen ze precies welke eiwitten verhuisden.

Dit laat zien dat je met deze methode niet alleen een statische foto kunt maken, maar ook een live video kunt filmen van hoe de cel reageert op stress of veranderingen.

Waarom is dit belangrijk?

Voorheen was het zoeken naar het adres van een planteneiwit als het zoeken naar een naald in een hooiberg. Je moest het één voor één doen, wat jaren kon duren.
Met deze nieuwe methode hebben ze in één keer de adresboeken van duizenden eiwitten geschreven.

• Het is een gratis, interactieve database waar iedereen naartoe kan kijken.
• Het helpt bij het begrijpen van ziektes, hoe planten groeien en hoe ze zich aanpassen aan klimaatverandering.

Kortom: Ze hebben een manier gevonden om de hele binnenkant van een plantencel in kaart te brengen, alsof ze een complete, gedetailleerde plattegrond hebben getekend van een hele stad, inclusief de verhuizingen die plaatsvinden als er iets misgaat.

Technische samenvatting

Probleemstelling

De functie van eiwitten is intrinsiek verbonden met hun subcellulaire lokalisatie. Hoewel dit een fundamenteel principe is in de celbiologie, ontbreekt er voor de meerderheid van de planteneiwitten experimenteel vastgestelde informatie over hun locatie. Bestaande methoden hebben beperkingen:

• Microscopie: Biedt hoge precisie maar is laag in doorvoer (low-throughput) en vereist fluorescente tagging, wat artefacten kan veroorzaken.
• Organel-isolatie: Massaspectrometrie na isolatie van specifieke organelen heeft een hogere doorvoer, maar leidt vaak tot co-purificatie van eiwitten uit andere compartimenten.
• Plant-specifieke uitdagingen: Plantweefsels hebben stijve celwanden en grote vacuolen, wat gecontroleerde cellyse zonder beschadiging van organelen moeilijk maakt. Bovendien zijn planteneiwitten minder goed geannoteerd dan die van andere modelorganismen, wat de identificatie van markers bemoeilijkt.

Er was tot nu toe geen diepgaande, globale kaart van het subcellulaire proteoom in planten beschikbaar.

Methodologie

De auteurs hebben een geoptimaliseerde workflow ontwikkeld voor globale ruimtelijke proteomica in planten, gebaseerd op differentieel centrifugeren en massaspectrometrie.

1. Sample Preparatie en Lysis:

   • Er is geoptimaliseerd voor het behoud van organel-integriteit tijdens het openen van plantencellen. Automatische mechanische homogenisatie gevolgd door Potter-homogenisatie bleek het beste compromis tussen lysis-efficiëntie en integriteit.
   • Er werden twee bestaande methoden vergeleken: LOPIT-DC (Localization of Organelle Proteins by Isotope Tagging after Differential Centrifugation, 10 fracties) en DOMs (Dynamic Organellar Maps, 6 fracties). LOPIT-DC bleek superieur in reproduceerbaarheid voor plantweefsels.

2. Massaspectrometrie (MS):

   • Data-Independent Acquisition (DIA) werd geïmplementeerd in plaats van Data-Dependent Acquisition (DDA). Dit resulteerde in een toename van 60% in het aantal geïdentificeerde proteingroepen en verbeterde reproduceerbaarheid.
   • Twee massaspectrometers werden gebruikt: een Thermo Fisher Exploris 480 (voor de meeste datasets) en een Bruker TimsTOF HT (voor de gnom-mutant dataset, wat de diepte met 72% verhoogde).

3. Data-analyse en Clustering:

   • UMAP (Uniform Manifold Approximation and Projection): Proteïnen werden geprojecteerd op een 2D-kaart gebaseerd op hun verdelingspatroon over de centrifugefracties.
   • HDBSCAN: Een algoritme voor clusteranalyse dat eiwitten met vergelijkbare verdelingspatronen groepeert.
   • Marker Validatie: Clusters werden geannoteerd op basis van experimenteel gevalideerde markers uit databases zoals SUBA5 en UniProt.
   • TAGM-MCMC: Een Bayesiaans model (T-Augmented Gaussian Mixture model Markov-chain Monte-Carlo) werd gebruikt om de subcellulaire lokalisatie van niet-marker eiwitten te voorspellen met hoge betrouwbaarheid (probabiliteit >0.999).

4. Dynamische Analyse:

   • Voor het bestuderen van eiwittranslocatie werd BANDLE (Bayesian Inference) gebruikt om verschillen in lokalisatie te detecteren tussen condities (bijv. behandeling vs. controle).
   • Aligned-UMAP: Om vergelijkingen tussen soorten (Arabidopsis vs. Marchantia) of condities visueel te maken in een gedeelde ruimte.

Belangrijkste Bijdragen en Resultaten

1. Uitgebreide Resource voor Planten:

   • Arabidopsis thaliana (Wortels): 7.815 eiwitten geannoteerd naar 12 subcellulaire lokalisaties.
   • Arabidopsis thaliana (Zaadlingen): 4.672 eiwitten geannoteerd naar 7 lokalisaties.
   • Marchantia polymorpha (Levermos): 2.782 eiwitten geannoteerd naar 7 lokalisaties.
   • Dit vertegenwoordigt een aanzienlijke toename in het aantal experimenteel onderzochte eiwitlocaties in planten.

2. Validatie en Nauwkeurigheid:

   • Onafhankelijke validatie via confocale microscopie van 35 willekeurig geselecteerde eiwitten in Arabidopsis wortels toonde een nauwkeurigheid van 84% (25 van 30 detecteerbare eiwitten hadden een goede match).
   • Voor Marchantia was de nauwkeurigheid 64% (9 van 14), wat lager is maar nog steeds significant, mede door een kleiner steekproefgrootte en complexere weefsels.

3. Evolutionaire Behoud:

   • Een vergelijking tussen Arabidopsis (bedektzadige) en Marchantia (bryofyt), die 430 miljoen jaar geleden divergeerden, toonde een extreem hoge correlatie (0,59) in de subcellulaire organisatie van het proteoom.
   • Dit suggereert dat de subcellulaire organisatie van planten diep geconserveerd is. Eiwitten met een hoge "Evolutionary Distance Score" (422 eiwitten) waren vaak gerelateerd aan eiwittransport, wat wijst op neo-functie-ontwikkeling in dit domein.

4. Dynamische Remodellering (Translocatie):

   • BFA-behandeling: Behandeling met Brefeldin A (een inhibitor van vesikeltransport) resulteerde in de identificatie van 839 translocerende eiwitten (meer dan 10% van het gemeten proteoom). Bekende targets zoals BIG1/2/5 en EPSIN1 werden bevestigd, maar ook nieuwe kandidaten werden gevonden.
   • gnom-mutant: Vergelijking van een gnom-mutant (verminderde ARF-GEF activiteit) met wildtype identificeerde 1.553 translocerende eiwitten. Er was een significante overlap (195 eiwitten) met de BFA-behandeling, wat de robuustheid van de methode bevestigt.
   • De methode onderscheidt duidelijk tussen veranderingen in eiwitabundantie (verwaarloosbaar) en veranderingen in subcellulaire lokalisatie.

5. Integratie met andere datasets:

   • De kaarten konden worden gebruikt om eiwitcomplexen te bestuderen (bijv. ribosomen in mitochondriën/chloroplasten) en om interactie-netwerken te valideren (bijv. BIN2-kinase interactoren).
   • Er werd aangetoond dat eiwitten vatbaar voor vloeistof-vloeistof fase-separatie (LLPS) zich vaak in specifieke clusters bevinden die lijken op ribosomen, maar verschillen van membraan-gebonden compartimenten.

Significantie en Toekomstperspectief

• Ongeëvenaarde Diepte: Dit is de eerste resource die een diep, globaal en experimenteel onderbouwd subcellulair proteoom biedt voor planten, met een resolutie die vergelijkbaar is met of hoger is dan die van dierlijke cellijnen.
• Onafhankelijkheid van Tagging: De methode werkt op wild-type weefsels, waardoor artefacten door overexpressie of fluorescente tagging worden vermeden. Dit maakt het toepasbaar op soorten die niet genetisch te modificeren zijn.
• Interactieve Tool: Alle data is toegankelijk via interactieve Shiny-apps, waardoor onderzoekers hun eiwitten van interesse kunnen doorzoeken, fractioneringspatronen kunnen bekijken en translocaties kunnen analyseren.
• Evolutionair Inzicht: De hoge mate van behoud tussen Arabidopsis en Marchantia biedt een basis voor het annoteren van proteomen in minder bestudeerde plantensoorten via ortholooggroepen.
• Dynamisch Inzicht: De studie bewijst dat ruimtelijke proteomica effectief kan worden gebruikt om dynamische processen zoals membraantransport en stressresponsen op proteoom-schaal te monitoren.

Kortom, dit werk levert een fundamentele infrastructuur op voor plantbiologie, die de weg vrijmaakt voor het beter begrijpen van eiwitfunctie, celbiologie en evolutie in het plantenrijk.