5月 CNS文献精选
1 Nature Communications
血浆蛋白质组分析揭示双免疫检查点阻断药治疗后胆固醇标记物的动态变化
2 Nature Communications
基于磷酸化蛋白质组学时间序列分析的结肠癌耐药机制网络研究
3 Clinical Cancer Research
基于原发病灶蛋白质组学的分化型甲状腺癌肺转移生物标记物鉴定与风险预测模型开发
4 Nature Communications
通过高效规则和集合推理优化蛋白质组学数据的差异表达分析
5 Nature Communications
纵向分子图谱阐明乳腺癌中的免疫代谢动力学
6 Nature
耐力运动训练多组学响应的时间动态
7 Nature Methods
分子像素化技术:单细胞空间蛋白质组学
8 Nature Communications
从空间蛋白质组学中识别细胞类型并量化细胞空间关系
血浆蛋白质组分析揭示双免疫检查点阻断药治疗后胆固醇标记物的动态变化
Plasma proteome profiling reveals dynamic of cholesterol marker after dual blocker therapy
与单一疗法相比,双重阻断疗法(DBT)具有更好的抗肿瘤效果。然而,免疫治疗一直没有公认的疗效预测标志物,因此探寻合适的疗效预测标志物尤为重要。复旦大学丁琛团队与河北大学附属医院贾友超团队对 QL1706 这一 PD-1/CTLA-4 双重免疫检查点阻断剂进行了纵向血浆蛋白质组分析,发现疾病非进展组(DNP)的胆固醇代谢被激活,及与DNP 组高密度脂蛋白部分重构激活高度相关的生物标志物 APOC3,并提出 PA、LDH 和 APOC3 可以作为潜在的 DBT 疗效预测生物标志物。基于蛋白质组临床特征的机器学习模型实现了对 DBT 队列的准确预测。值得注意的是,该模型的预测能力也可以扩展到抗 PD-1 治疗队列。同时,通过纵向探索这些临床和蛋白质组生物标志物表明患者对 DBT 的长期反应。这项研究扩展了对 DBT 血浆蛋白的生物学理解,产生了可能作为未来精确免疫治疗反应临床试验基础的假设。
扫码阅读全文
基于磷酸化蛋白质组学时间序列分析的结肠癌耐药机制网络研究
Network-based elucidation of colon cancer drug resistance mechanisms by phosphoproteomic time-series analysis
异常信号通路活性是肿瘤发生和发展的标志,30 多年来,靶向抑制剂的设计一直以此为指导。然而,由快速的、环境特异性信号网络诱导的适应性耐药机制会影响治疗效果。利用蛋白质组学技术和基于网络的方法学的进步,美国哥伦比亚大学 Andrea Califano 和耶鲁大学刘延盛团队合作引入了基于虚拟富集的信号蛋白活性分析(VESPA),旨在阐明细胞对药物扰动的反应和适应机制,分析经抑制剂处理的结直肠癌细胞的磷酸化蛋白质组变化。根据底物磷酸化状态可准确推断出激酶和磷酸酶的活性,有效地解释信号串扰和磷酸化水平。该分析阐明了对每种药物扰动的时间依赖性信号通路反应,更重要的是,通过 CRISPR 基因敲除实验证实了细胞的适应性反应和重新布线,表明该方法可广泛应用于癌症和其他疾病。
扫码阅读全文
基于原发病灶蛋白质组学的分化型甲状腺癌肺转移生物标记物鉴定与风险预测模型开发
Biomarker identification and risk prediction model development for differentiated thyroid carcinoma lung metastasis based on primary lesion proteomics
全球分化型甲状腺癌(DTC)发病率的上升导致呈现肺转移的 DTC(LMDTC)患者显著增多,这一群体给临床实践带来重大挑战,迫切需要开发有效的风险分层方法和肺转移预测工具。通过对大量原发病灶样本进行蛋白质组学分析,采用平行反应监测和免疫组化进行双重验证,云南省肿瘤医院的研发人员确定了八种中心蛋白作为潜在的生物标志物。通过扩大样本量,对临床特征和中心蛋白表达情况进行统计分析,构建了三种风险预测模型。鉴定了八个中心蛋白——SUCLG1/2、DLAT、IDH3B、ACSF2、ACO2、CYCS 和 VDAC2——作为预测 DTC 肺转移风险的潜在生物标志物。研究人员开发并内部验证了三种结合临床特征和中心蛋白表达的风险预测模型。研究表明,综合预测模型具有最佳预测性能,具有最高的区分度(AUC:0.986)和校准度(Brier 评分:0.043)。在特定风险阈值(0-0.97)内应用综合预测模型可获得最大的临床效益。最后,基于综合预测模型构建了列线图。该项研究作为肺转移性 DTC 研究中的一项大样本量研究,通过原发病灶蛋白质组学鉴定生物标志物,并结合临床特征和枢纽蛋白生物标志物建立风险预测模型,为预测 DTC 肺转移和建立个性化治疗策略提供了重要见解。
扫码阅读全文
通过高效规则和集合推理优化蛋白质组学数据的差异表达分析
Optimizing differential expression analysis for proteomics data via high-performing rules and ensemble inference
蛋白质组学工作流程中差异表达蛋白质的鉴定通常包括五个关键步骤:原始数据量化、表达矩阵构建、矩阵归一化、缺失值插补(MVI)和差异表达分析。每个步骤都有大量的可选项,使得确定最优工作流程以最大化鉴定差异表达蛋白极具挑战性。为此,新加坡南洋理工大学的 Wilson Wen Bin Goh 和中国科学院深圳先进技术研究院的李金艳教授合作在 24 个黄金标准尖峰数据集上进行了广泛研究,涉及 34576 个组合实验。通过对排名靠前的工作流程应用频繁模式挖掘技术,发现了表现优异的规则,证明了最优性具有守恒的属性。通过机器学习,证实了最佳工作流程确实是可预测的,其平均交叉验证 F1 分数和 Matthew 相关系数超过 0.84。引入了一种集合推断法,以整合各个表现最佳的工作流程的结果,从而扩大差异蛋白质组的覆盖范围并解决不一致问题。集合推理提高了 pAUC(高达 4.61%)和 G-mean(高达 11.14%),并促进了不同量化方法(如 topN、directLFQ、MaxLFQ 强度和光谱计数)之间信息的有效汇总。还需要进一步开发和评估,以建立可接受的框架,用于在多个蛋白质组学工作流程上进行集成推理。
扫码阅读全文
纵向分子图谱阐明乳腺癌中的免疫代谢动力学
Longitudinal molecular profiling elucidates immunometabolism dynamics in breast cancer
尽管对乳腺癌中肿瘤细胞和肿瘤微环境(TME)内的代谢重编程已有详细描述,但对治疗过程中免疫状态和癌症代谢之间的相互作用却知之甚少。卡罗林斯卡学院的研究人员利用蛋白质组学、基因组学和组织病理学,对从乳腺癌患者新辅助化疗(NAC)之前、期间和之后纵向收集的肿瘤组织样本的免疫代谢谱进行了表征。研究表明,免疫状态、肿瘤代谢蛋白和基于肿瘤细胞基因表达谱的代谢表型在治疗前、中、后的动态变化与治疗反应相关。单细胞/细胞核 RNA 测序揭示了冷肿瘤和热肿瘤之间不同的肿瘤和免疫细胞代谢状态。基于上述分析的 NAC 潜在驱动因素在体外得到了验证。该研究表明,肿瘤内在代谢状态与 TME 的相互作用与治疗结果相关,支持了以肿瘤代谢为靶点进行免疫调节的概念。
扫码阅读全文
耐力运动训练多组学响应的时间动态
Temporal dynamics of the multi-omic response to endurance exercise training
经常锻炼有利于身体健康并预防疾病,但对其潜在的分子机制却知之甚少。体育活动分子传感器联盟在为期八周的耐力运动训练中,分析了雌雄大白鼠的全血、血浆和 18 个实体组织中的时间转录组、蛋白质组、代谢组、脂质组、磷酸蛋白组、乙酰蛋白组、泛素化蛋白组、表观基因组和免疫组。由此产生的数据汇编包括 19 个组织、25 个分子平台和 4 个训练时间点的 9466 项检测。发现了数以千计的共有和组织特异性分子改变,并在多个组织中发现了性别差异。多组学和多组织时空分析揭示了耐力训练适应性反应的广阔生物学前景,包括对免疫、代谢、应激反应和线粒体通路的广泛调节。许多变化与人类健康有关,包括非酒精性脂肪肝、炎症性肠病、心血管健康以及组织损伤和恢复。本研究提供的数据和分析将成为了解和探索耐力训练对多组织分子影响的宝贵资源。
扫码阅读全文
分子像素化技术:单细胞空间蛋白质组学
Molecular pixelation: spatial proteomics of single cells by sequencing
细胞表面蛋白质的空间分布控制着免疫系统的重要过程,如细胞间通讯和移动。通常采用荧光显微镜或成像流式细胞术研究蛋白质空间的分布,然而,这些方法在多重分析和通量方面存在限制,信噪比也会受到自发荧光和串色效应影响。瑞典 Pixelgen Technologies 公司和卡罗林斯卡医学院的研究人员合作开发出的分子像素化(MPX)技术无需光学设备,利用抗体-寡核苷酸偶联物(AOC)和基于 DNA 的分子像素与固定细胞中的蛋白质靶点结合,以高度多重的方式检测细胞表面蛋白的排布。通过加入唯一分子标识符(UMI),将空间上靠近的 AOC 依次关联到局部邻域,从而实现蛋白质排布的空间分析,之后对生成的扩增子进行测序,并根据单细胞的数据图形来推断蛋白质的空间关系,这种方法为单细胞水平的蛋白质组学研究提供了空间维度,有望为细胞运动、细胞活化、药物作用模式、药物靶点发现等研究提供新的见解。
扫码阅读全文
从空间蛋白质组学中识别细胞类型并量化细胞空间关系
AnnoSpat annotates cell types and quantifies cellular arrangements from spatial proteomics
细胞组成和解剖结构对器官的正常和异常功能均有重要影响。空间单细胞蛋白质组学技术,如成像质谱流式细胞术 (IMC)和索引共检测 (CODEX),通过使细胞及其在完整组织中的定位得以高通量测量,促进对细胞组成和结构的研究。然而,细胞类型的注释及其在组织中相对位置的量化仍具挑战。为应对诸如“人类胰腺分析计划”这类大规模图谱数据集的未满足需求,加拿大多伦多大学 Gregory W. Schwartz 和美国宾夕法尼亚大学 Robert B. Faryabi 合作开发了 AnnoSpat(注释器和空间模式发现器),使用神经网络和点过程算法来自动识别细胞类型并量化细胞与细胞间的邻近关系。对 IMC 和 CODEX 数据的研究表明,与其他方法相比,AnnoSpat 在快速准确注释细胞类型方面具有更好的性能。此外,将 AnnoSpat 应用于 1 型糖尿病、非糖尿病自身抗体阳性和非糖尿病器官捐献者队列,不仅重现了已知的胰岛病理生物学,还揭示了 1 型糖尿病发展过程中,胰岛中胰多肽细胞数量动态变化及 CD8+ T细胞浸润的差异性模式。
扫码阅读全文