气相分化 DDA 促进了深入的 DIA 蛋白质组分析
Zhiwei Tu1, Yabin Li2, Shuhui Ji1
1State Key Laboratory of Medical Proteomics, Beijing Proteome Research Center, National Center for Protein Sciences (Beijing), Beijing Institute of Lifeomics, 102206, Beijing, China.
Heliyon
|February 3, 2025
概括
气相分化 (GPF) DDA数据增强了无图书馆的DIA分析,用于光蛋白质组学. 这种GPF-DDA混合DIA方法提高了和酸的识别深度,有助于急性肺损伤研究.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 质谱测量质量谱测量
- 后翻译修改 后翻译修改
背景情况:
- 数据独立获取 (DIA) 对定量蛋白质组学至关重要.
- 基于图书馆的DIA依赖于劳动密集型的光谱图书馆,这些图书馆是从分成前构建的.
- 有限的样本可用性阻碍了用于翻译后修改 (PTM) 研究的图书馆建设.
研究的目的:
- 引入一种新的方法,GPF-DDA混合 DIA,以增强无图书馆的 DIA 对蛋白质组学.
- 通过使用残留样本材料来提高脂和酸的识别深度.
- 应用这种方法来描述急性肺损伤模型中的分子变化.
主要方法:
- 使用气相分化 (GPF) 对样本残留物DIA后分析的数据依赖采集 (DDA).
- 将GPF-DDA数据集成到无库的DIA搜索中,以创建一个混合库.
- 在直接 (烟雾引起) 和间接 (败血症引起) 急性肺损伤的小鼠模型中分析质蛋白质.
主要成果:
- 与单独的无图书馆 DIA 相比,GPF-DDA 混合 DIA 显著增加了类和酸盐的识别.
- 两次GPF-DDA注射产生了高达18%的光和13%的酸盐增加.
- 五次注射导致高达28%的脂和21%的酸增加.
- 在直接和间接的急性肺损伤中鉴定出明显的不同表达的酸盐,这些酸盐与特定的生物过程有关.
结论:
- GPF-DDA混合 DIA 是一个有效的工作流程,用于增加蛋白质组分析的深度.
- 这种方法节约了样本材料,并利用了基于图书馆和无图书馆的方法.
- 该方法可扩展到其他PTM和各种生物条件的DIA分析.
