通过机器学习增强的DIA质谱测量分析人类呼吸道粘液中的病原体和免疫系统之间的交叉声

科学领域:

• 蛋白质组学和质谱学
• 传染病与微生物学
• 机器学习在生物科学中的应用

背景情况:

• 在临床样本中准确识别和量化微生物病原体对于诊断和治疗传染病至关重要.
• 传统的蛋白质组学方法往往与微生物蛋白质在复杂的生物基质 (如液) 中的低丰度作斗争.
• 需要在质谱和计算分析方面取得进展,以提高临床环境中蛋白质基因分析的深度和可靠性.

研究的目的:

• 为了确定含有微生物病原体的临床样本中可实现的覆盖范围的蛋白质深度,使用以为中心的机器学习增强的数据独立采集并列质谱法 (PCML-DIA-LC-MS/MS).
• 评估该方法在与宿主蛋白质组一起识别和量化低丰度微生物蛋白质的能力.
• 评估PCML-DIA-LC-MS/MS在传染病中的翻译医学应用中的潜力.

主要方法:

• 采用基于神经网络的机器学习算法 (Dia-NN) 来对液体染色学-并联质谱学 (LC-MS/MS) 数据进行光谱分析.
• 使用数据独立采集 (DIA) 质谱分析了肺部感染患者的唾液蛋白消化.
• 利用定制的蛋白质序列库进行以为中心的光谱匹配,以最大限度地提高蛋白质组的识别.

主要成果:

• 从单个具有高重复性 (CVs低至0.12) 的实验中确定了近6800个总蛋白质和1530个微生物蛋白质.
• 与传统的光谱图书馆搜索相比,实现了显著更大的蛋白质识别深度 (1530vs60微生物蛋白).
• 检测了Pseudomonas aeruginosa和Stenotrophomonas maltophilia等特定病原体,以及它们的毒性因子和适应机制,并对宿主免疫反应进行了分析.

结论:

• PCML-DIA-LC-MS/MS为分析人类呼吸道分泌物中低丰度病原体蛋白质提供了极好的覆盖深度和可重复性.
• 该方法使宿主和微生物蛋白质组的同时分析成为可能,为宿主-病原体相互作用和免疫防御机制提供了洞察力.
• 这种方法代表了以蛋白质为中心的转化医学在传染病中的重大进步,具有发现生物标志物和治疗监测的潜力.