Data Independent Acquisition Pipeline for Microbiome Samples (Microbe-DIA)
Dit artikel presenteert een geoptimaliseerde, schaalbare en kosteneffectieve pipeline voor microbiële metaproteomica die verbeterde LC–MS/MS-acquisitieparameters combineert met een computationeel efficiënte, bibliotheekvrije Data-Independent Acquisition (DIA)-workflow om de monsterdoorvoer en kwantitatieve prestaties te verbeteren zonder afhankelijk te zijn van empirische spectrale bibliotheken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Microben zijn de onzichtbare architecten van onze wereld, levend in onze bodem, onze oceanen en zelfs in ons eigen lichaam. Om te begrijpen wat deze minuscule gemeenschappen daadwerkelijk doen—hoe ze afval afbreken, nutriënten cycleren of de menselijke gezondheid beïnvloeden—kijken wetenschappers naar de eiwitten die zij produceren. Eiwitten zijn de functionele werkers van het leven; het zijn de machines die de taken uitvoeren die nodig zijn voor een organisme om te overleven. Het bestuderen van deze eiwitten in een gemengde menigte van duizenden verschillende soorten is echter ongelooflijk moeilijk. Het is als proberen naar een enkel gesprek te luisteren in een stadion vol mensen die tegelijkertijd schreeuwen. Het enorme aantal verschillende soorten en de grote verschillen in hoe talrijk elk type aanwezig is, maken het moeilijk om een helder beeld van de activiteit van de gemeenschap te krijgen.
Jarenlang was de standaardmethode om deze eiwitten te bestuderen een methode die werkt als een spotlight, die de luidste stemmen één voor één uitlicht. Deze aanpak werkt goed voor eenvoudige monsters, maar in een complex microbioom mist het de stillere, minder talrijke stemmen, waardoor er grote gaten in de data ontstaan. Een nieuwere benadering, bekend als data-onafhankelijke acquisitie (data-independent acquisition), probeert naar iedereen tegelijk te luisteren door het volledige geluidsspectrum in brede segmenten op te delen. Hoewel deze methode veel meer informatie vastlegt, was het historisch gezien te traag voor grootschalige studies en vereiste het een enorme, vooraf gemaakte bibliotheek van geluiden om de ruis te kunnen interpreteren. Zonder die bibliotheek was de data te complex om te analyseren, vooral bij het werken met de enorme genetische diversiteit die in natuurlijke omgevingen wordt aangetroffen.
Een team onderzoekers van het Pacific Northwest National Laboratory heeft nu een gestroomlijnde pijplijn ontwikkeld die deze problemen oplost, waardoor wetenschappers complexe microbiële gemeenschappen snel en nauwkeurig kunnen analyseren zonder een vooraf bestaande bibliotheek nodig te hebben. Ze testten hun methode met behulp van een zorgvuldig samengesteld model van een microbioom, waarbij peptiden van zesenveertig verschillende bacteriële stammen werden gemengd. Dit model diende als een gecontroleerde omgeving waarin de onderzoekers precies wisten welke soorten aanwezig waren en in welke verhoudingen, waardoor ze konden verifiëren of hun nieuwe methode de soorten correct kon identificeren en meten.
De onderzoekers optimaliseerden eerst de instellingen van hun massaspectrometers, de instrumenten die worden gebruikt om deze eiwitten te wegen en te identificeren. Ze ontdekten dat de grootte van het "venster" dat gebruikt wordt om de eiwitfragmenten te vangen, cruciaal was. Door een smaller venster te gebruiken, konden ze de signalen duidelijker scheiden, waardoor ze aanzienlijk meer eiwitten identificeerden dan met bredere vensters. Vervolgens vergeleken ze hun nieuwe, snellere methode met de traditionele, tragere aanpak. De traditionele methode vereiste het opdelen van het monster in twaalf afzonderlijke delen en het analyseren van elk deel gedurende twee uur, wat in totaal een volle dag aan instrumenttijd kostte voor één enkel monster. In tegenstelling hiertoe analyseerde de nieuwe methode het volledige monster in slechts zes uur. Wanneer gecorrigeerd voor tijd, identificeerde de nieuwe aanpak bijna negen keer meer eiwitten per uur dan de oude methode, wat bewees dat snelheid niet ten koste ging van de nauwkeurigheid.
Om de computationele uitdaging aan te gaan van het doorzoeken van enorme databases met potentiële eiwitten, creëerde het team een tweestaps-proces dat zij Metaproteomic Analysis with DIA Library-free, of MADL, noemen. De eerste stap fungeert als een filter, die de zoektocht beperkt tot alleen de meest essentiële biologische paden die bijna algemeen zijn voor alle bacteriën, zoals die betrokken bij de energieproductie en DNA-replicatie. Dit verkleint de omvang van de database die de computer moet doorzoeken drastisch. Zodra de computer heeft geïdentificeerd welke organismen waarschijnlijk aanwezig zijn op basis van deze kernfuncties, gebruikt het die lijst om de zoektocht in een tweede stap te verfijnen, waarbij de focus ligt op de specifieke functies van de gedetecteerde organismen. Deze aanpak stelde hen in staat om succesvol vijfentwintig van de achtentwintig bekende soorten in hun testmengsel te identificeren, zelfs bij het zoeken tegen een database die miljoenen potentiële eiwitten uit bodem- en darmomgevingen bevat.
De studie richtte zich ook op hoe om te gaan met eiwitten die erg op elkaar lijken tussen verschillende soorten. Door een logische methode te gebruiken om deze gedeelde eiwitten toe te wijzen aan de meest waarschijnlijke bron, stelden de onderzoekers vast dat zij de abundantie van duizenden meer eiwitten dan voorheen konden kwantificeren. Ze bevestigden dat hun methode de samenstelling van de microbiële gemeenschap nauwkeurig kon reconstrueren, waarbij de bekende proporties van de stammen in hun testmengsel werden benaderd. Bovendien testten ze deze workflow op een nieuwere, snellere massaspectrometer, de Astral, en ontdekten dat deze de analyse in slechts iets meer dan een uur kon voltooien, terwijl nog steeds duizenden eiwitten met hoge precisie werden geïdentificeerd.
Dit werk demonstreert dat het nu mogelijk is om grootschalige, high-throughput studies van microbiële gemeenschappen uit te voeren zonder de bottleneck van het creëren van aangepaste bibliotheken of het besteden van dagen aan instrumenttijd. De onderzoekers toonden aan dat door het combineren van geoptimaliseerde instrumentinstellingen met een slimme, tweestaps-computationele strategie, wetenschappers een uitgebreid beeld kunnen krijgen van de microbiële functie. Dit opent de deur naar het bestuderen van hoe deze gemeenschappen veranderen in de loop van de tijd of als reactie op verschillende omgevingscondities met een detailniveau en snelheid die voorheen onbereikbaar waren. De methode biedt een praktische, schaalbare manier om de stap te zetten van simpelweg lijsten welke microben aanwezig zijn naar het begrijpen van wat ze exact doen in de complexe ecosystemen waarin ze leven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.