Timepoint Selection Strategy for In Vivo Proteome Dynamics from Heavy Water Metabolic Labeling and LC-MS.
Timepoint Selection Strategy for In Vivo Proteome Dynamics from Heavy Water Metabolic Labeling and LC-MS.
复制标题
DOI：
10.1021/acs.jproteome.0c00023
复制
发表时间：
2020-05-01
影响因子：
4.4
通讯作者：
Sadygov RG
中科院分区：
文献类型：
--
作者：
Sadygov VR;Zhang W;Sadygov RG
蛋白质稳态是健康细胞功能所必需的，在许多疾病中被失调。用重水进行代谢标记，液相色谱联用在线质谱联用（LC-MS）是研究体内蛋白质组动力学的一种强大的高通量技术。较长的标记时间和密集时间点采样（TPS）的组织提供准确的蛋白质组动力学估计。然而，实验是昂贵的，他们需要动物的住房和照顾，以及稳定同位素的标签。通常在选定的时间点牺牲动物以收集组织。因此，有必要在给定的采样点数量和标记时间下优化TPS，并针对特定的研究组织。目前，这种技术在蛋白质组学中是缺失的。在这里，我们报告了一种基于公式的TPS随机模拟策略，用于重水代谢标记和LC-MS的体内研究。我们对速率常数（对数正态）、测量误差（拉普拉斯）、肽长度（伽马）、单同位素峰的相对丰度（RA） （β回归）和可交换氢的数量（伽马回归）进行了建模。分布的参数是使用相应的经验概率密度函数从小鼠心脏蛋白质组的大规模数据集确定的。该模型用于速率常数的模拟，以最小化均方根误差（RMSE）。不同tps的RMSE显示了结构化模式。对这些模式进行了分析，以阐明它们的共同特征。
Protein homeostasis, proteostasis, is essential for healthy cell functioning and is dysregulated in many diseases. Metabolic labeling with heavy water followed by liquid chromatography coupled online to mass spectrometry (LC-MS) is a powerful high-throughput technique to study proteome dynamics in vivo. Longer labeling duration and dense timepoint sampling (TPS) of tissues provide accurate proteome dynamics estimations. However, the experiments are expensive, and they require animal housing and care, as well as the labeling with stable isotopes. Often the animals are sacrificed at selected timepoints to collect tissues. Therefore, it is necessary to optimize TPS for a given number of sampling points and labeling duration and target a specific tissue of study. Currently, such techniques are missing in proteomics. Here, we report on a formula-based stochastic simulation strategy for TPS for in vivo studies with heavy water metabolic labeling and LC-MS. We model the rate constant (lognormal), measurement error (Laplace), peptide length (Gamma), relative abundance (RA) of the monoisotopic peak (beta regression), and the number of exchangeable hydrogens (Gamma regression). The parameters of the distributions are determined using corresponding empirical probability density functions from a large-scale dataset of murine heart proteome. The models are used in simulations of the rate constant to minimize the root-mean-squared error (RMSE). The RMSE for different TPSs shows structured patterns. They are analyzed to elucidate common features in the patterns.
登录
查看更多内容
影响因子：
1.8
作者：
Borzou, Ahmad;Sadygov, Vugar R.;Sadygov, Rovshan G.
通讯作者：
Sadygov, Rovshan G.
DOI：
10.1016/j.bbagen.2005.12.023
发表时间：
2006-05-01
影响因子：
3
作者：
Busch, Robert;Kim, Yoo-Kyeong;Hellerstein, Marc K.
通讯作者：
Hellerstein, Marc K.
影响因子：
5.8
作者：
Rosa, Bruce A.;Zhang, Ji;Chen, Jin
通讯作者：
Chen, Jin
影响因子：
4.3
作者：
Huang L;Kim D;Liu X;Myers CR;Locasale JW
通讯作者：
Locasale JW
影响因子：
3
作者：
Ezer, Daphne;Keir, Joseph
通讯作者：
Keir, Joseph