Phosphoproteomics: a valuable tool for uncovering molecular signaling in cancer cells.
Phosphoproteomics: a valuable tool for uncovering molecular signaling in cancer cells.
复制标题
DOI：
10.1080/14789450.2021.1976152
复制
发表时间：
2021-08
影响因子：
3.4
通讯作者：
White FM
中科院分区：
文献类型：
--
作者：
Gerritsen JS;White FM
包括癌症在内的许多病理学都与异常磷酸化介导的信号网络相关，这些信号网络驱动改变的细胞增殖、迁移、代谢调节，并可能导致全身性炎症。磷酸化蛋白质组学是对蛋白质磷酸化位点的大规模分析，已成为确定正常和病理条件下信号网络调节和失调的有力工具。我们提供了一个概述的方法，全球磷酸化蛋白质组学，以及丰富的磷酸化蛋白质组的特定子集，包括磷酸酪氨酸和磷酸基序富集激酶底物。我们回顾了定量方法，不同的质谱采集格式的优点和局限性，以及从磷酸化蛋白质组学数据中提取生物学见解的计算方法。在整个过程中，我们讨论了各种应用程序及其在实施中面临的挑战。在过去的20年里，磷酸化蛋白质组学领域已经取得了进展，通过对信号网络的定量分析，实现了深入的生物学和临床洞察。未来的发展领域包括临床实验室改进修正案（CLIA）批准的临床样本分析方法，灵敏度的持续改进，以分析少量稀有细胞和组织微阵列，以及计算方法，以整合来自多个系统级定量分析方法的数据。
Many pathologies, including cancer, have been associated with aberrant phosphorylation-mediated signaling networks that drive altered cell proliferation, migration, metabolic regulation, and can lead to systemic inflammation. Phosphoproteomics, the large-scale analysis of protein phosphorylation sites, has emerged as a powerful tool to define signaling network regulation and dysregulation in normal and pathological conditions. We provide an overview of methodology for global phosphoproteomics as well as enrichment of specific subsets of the phosphoproteome, including phosphotyrosine and phospho-motif enrichment of kinase substrates. We review quantitative methods, advantages and limitations of different mass spectrometry acquisition formats, and computational approaches to extract biological insight from phosphoproteomics data. Throughout, we discuss various applications and their challenges in implementation. Over the past 20 years the field of phosphoproteomics has advanced to enable deep biological and clinical insight through the quantitative analysis of signaling networks. Future areas of development include Clinical Laboratory Improvement Amendments (CLIA)-approved methods for analysis of clinical samples, continued improvements in sensitivity to enable analysis of small numbers of rare cells and tissue microarrays, and computational methods to integrate data resulting from multiple systems-level quantitative analytical methods.
登录
查看更多内容
影响因子：
3.3
作者：
Altelaar, A. F. Maarten;Frese, Christian K.;Mohammed, Shabaz
通讯作者：
Mohammed, Shabaz
影响因子：
7
作者：
Boersema, Paul J.;Foong, Leong Yan;Heck, Albert J. R.
通讯作者：
Heck, Albert J. R.
影响因子：
46.9
作者：
Dengjel, Joern;Akimov, Vyacheslav;Andersen, Jens S.
通讯作者：
Andersen, Jens S.
影响因子：
46.9
作者：
Blagoev, B;Ong, SE;Mann, M
通讯作者：
Mann, M
影响因子：
46.9
作者：
Ficarro, SB;McCleland, ML;White, FM
通讯作者：
White, FM