시크레토믹스

Secretomics

분비물체학은 세포, 조직, 유기체의 모든 분비 단백질인 분비물을 분석하는 단백질학의 한 유형이다.[1]분비된 단백질은 세포신호, 매트릭스 리모델링 등 다양한 생리적 과정에 관여하지만 악성세포의 침입과 전이에도 필수적이다.[2]따라서 암에[3] 대한 바이오마커의 발견과 병원생식의 분자적 근거를 이해하는 데 있어서 시크레토믹스가 특히 중요했다.[4][5]분비물의 불용성분수(세포외행렬)에 대한 분석을 매트리노믹스라고 한다.[6]null

비밀의 역사

2000년에 Tjalsma 등은 에우박테리움 B. 미분비에 대한 연구에서 '시크릿옴'이라는 용어를 만들었다.그들은 그 분비물을 박테리아의 모든 분비 단백질과 분비기관이라고 정의했다.B. subilis의 단백질 시퀀스 데이터베이스와 분비된 단백질의 갈라진 부위와 아미노-단자 신호 펩타이드 특성을 살펴본 알고리즘을 사용하여 그들은 프로테오메의 어떤 부분이 세포에 의해 분비되는지 예측할 수 있었다.[7]2001년에 같은 연구소가 비밀체학의 표준을 정했다 – 아미노산 염기서열에 기초한 예측만으로는 비밀체질을 정의하기에 충분하지 않다.그들은 2차원 젤 전기영양과 질량분석을 이용하여 B. 하위실리스가 분비하는 82개의 단백질을 확인했는데, 이 중 48개 단백질만이 이전 논문의 게놈 기반 방법을 사용하여 예측되었다.[8]이는 예측된 소견의 단백질 검증의 필요성을 입증한다.null

분비물의 비고전적인 경로가 많고 고전적인 분비 경로의 일부인 비고전적인 단백질이 많다는 복잡한 분비 경로의 특성이 밝혀지면서 분비물에 대한 보다 심층적인 정의가 필요하게 되었다.2010년, 아그라왈 외 연구진은 이 분비물을 "구성 및 규제된 분비기관들이 포함된 알려져 있고 알려지지 않은 분비기관 메커니즘을 통해 세포, 조직, 장기 또는 유기체에 의해 세포 밖의 공간으로 분비되는 단백질의 글로벌 그룹"[9]으로 정의할 것을 제안했다.null

비밀 분석의 어려움

오염물질

문화에서는 세포가 오염물질에 둘러싸여 있다.세포 배양 매체와 세포 파편의 소 혈청은 분석에 사용되는 분비 단백질의 수집을 오염시킬 수 있다.소의 오염물질은 피브로넥틴이나 피불린-1과 같은 많은 소의 세포외 단백질의 단백질 염기서열이 인간의 단백질 염기서열과 유사하기 때문에 특별한 어려움을 나타낸다.[1]이러한 오염물질을 제거하기 위해 SFM에 배양하고 분비된 단백질을 채집하기 전에 PBS나 세럼 프리 미디어(SFM)로 세포를 씻어낼 수 있다.세포 내 단백질을 방출하면서 세포가 폭발하지 않도록 주의해야 한다.[1]또한 SFM의 영양소 부족에 의해 유발될 수 있는 대사 스트레스가 분비물 분석에 영향을 미치지 않도록 배양 시간과 조건을 최적화해야 한다.[10]null

저농도

일부 단백질은 저농도로 분비된 후 세포배양 매체나 체액에서 더 희석되어 이러한 단백질을 검출하고 분석하기가 어렵다.TCA 강수와 같은 농도법은 단백질의 단일 분자라도 검출할 수 있는 항체 미세조영과 같은 매우 민감한 방법뿐만 아니라 사용될[10] 수 있다.[11]null

시험관내 연구 관련성

세포 배양법으로 체외에서 많은 분비물 연구가 진행되지만 동일한 단백질이 체내 분비되는지는 불분명하다.점점 더 많은 연구들, 특히 암 분비물을 보는 사람들은 체외 방법을 사용하여 체외에서 얻은 결과의 관련성을 확인하고 있다.예를 들어, 근위부 생물학적 액체는 분비물 분석을 수행하기 위해 종양 근처에 수집될 수 있다.[1]null

방법들

게놈전위 예측

많은 분비 단백질은 N단자 펩타이드 염기서열을 가지고 있는데, 이 염기서열은 변환된 단백질이 종국적으로 분비물로 이어질 수 있는 내소성 망막으로 이동하도록 신호를 보낸다.이러한 신호 펩타이드의 존재는 세포의 분비물을 예측하는 데 사용될 수 있다.[1]시그널P와[12] 같은 소프트웨어는 신호 시퀀스(및 그들의 갈라진 부위)를 식별하여 분비되는 단백질을 예측할 수 있다.트랜섬브레인 단백질도 ER에서 처리되지만 분비되지는 않기 때문에, TMHM 서버 같은 소프트웨어는 트랜섬브레인 도메인을 예측하여 잘못된 긍정을 제거하는 데 사용된다.[9]일부 분비 단백질은 고전적인 신호 펩타이드 시퀀스를 가지고 있지 않다.이러한 '리더 없는 분비 단백질'(LSP)은 시그널P가 놓칠 것이다.시큐러티오메P는 이러한 비클래식 시큐러티 단백질을 시퀀스로부터 예측하기 위해 개발된 소프트웨어다.[9]인간, 쥐, 제브라피쉬, 그리고 수백 개의 박테리아를 포함한 광범위한 유기체에 대해 게놈 전체의 분비물이 예측되었다.[9]null

게놈 전체 예측 방법에는 여러 가지 문제가 있다.거짓 긍정과 거짓 부정의 가능성이 높다.또 유전자 발현에는 환경조건의 영향을 많이 받는데, 게놈이나 cDNA 도서관에서 예측한 분비물이 진짜 분비물과 완전히 일치할 가능성은 없다는 뜻이다.[9]단백질 접근법은 예측된 분비 단백질을 검증하기 위해 필요하다.null

큐레이션과 계산 예측에 기초하여 여러 게놈 차원의 비밀 데이터베이스나 지식베이스를 이용할 수 있다.이러한 데이터베이스에는 곰팡이 분비물 데이터베이스(FSD), 곰팡이 분비물 지식 기반(FunSecKB),[13] 젖산 세균 분비물 데이터베이스가 포함된다.[14]인간과 동물성 단백질 아세포 위치 데이터베이스(MetaSecKB)와 양성자 아세포 프로테오메 데이터베이스(ProtSecKB)도 최근 출시됐다.계산적 예측에는 다소 부정확한 부분이 있지만, 이러한 데이터베이스는 단백질 아세포 위치의 특성을 더욱 구체화하는 데 유용한 자원을 제공한다.null

프로테오믹 접근법

질량분광분석은 분비물학에서 필수적이다.분비된 단백질을 함유한 혈청이나 상등액은 단백질 분해효소로 소화되며 단백질은 2D 젤 전기영양법이나 크로마토그래피법으로 분리된다.각각의 개별 단백질은 질량 분광법에 의해 분석되며 생성된 펩타이드 질량 지문을 데이터베이스를 통해 실행하여 단백질을 식별할 수 있다.[1]null

세포 배양에서 아미노산에 의한 안정적인 동위원소 라벨링은 세포 배양에서 분비된 단백질과 소 혈청 오염물을 구별하는 데 도움을 주는 분비물학에서 중요한 방법으로 떠올랐다.정상배지에서 배양된 세포와 중간배지에서 배양된 세포에서 추출한 상등액을 1:1 비율로 혼합해 질량분광법으로 분석한다.혈청 내 단백질 오염물질은 라벨로 표시된 등가물이 없기 때문에 하나의 봉우리만 보일 것이다.[1]일례로, SILAC 방법은 배양액에서 인간의 연골세포에 의해 분비되는 단백질과 혈청 오염물질을 구별하는데 성공적으로 사용되어 왔다.[15]null

항체 미세배열은 단백질 검출에 매우 민감하고 고투과하는 방법으로 최근 분비물 분석의 일부가 되고 있다.항체 또는 다른 형태의 바인더 분자는 고체 지지대에 고정되고 형광 라벨로 표시된 단백질 혼합물이 추가된다.신호 강도는 단백질을 식별하는 데 사용된다.항체 마이크로레이는 매우 다재다능하다 – 그것들은 혼합물의 단백질 양, 다른 단백질 등소 형태, 변환 후의 수정, 단백질의 생화학적 활성을 분석하는 데 사용될 수 있다.게다가, 이 미세 광선들은 매우 민감하다 – 그들은 단백질의 단일 분자를 감지할 수 있다.항체 마이크로레이는 현재 인간 혈장 검체를 분석하는 데 주로 사용되고 있지만 배양된 세포와 체액 분비물에도 사용될 수 있어 한 번에 많은 단백질의 존재를 찾는 간단한 방법을 제시한다.[11]null

함의 및 유의성

암 바이오마커 발견

분비된 단백질은 정상적인 생리적 과정에서 중요한 것 외에도 세포 성장, 이주, 침공, 혈관신생을 통해 종양성(tominigenesis)에 필수적인 역할을 하므로 분비물체학은 암 바이오마커의 발견에 탁월한 방법이 된다.[16]생체지표를 식별하기 위해 체액 또는 전체 혈청 프로테오믹 방법을 사용하는 것은 매우 어려울 수 있다. 체액은 복잡하고 가변적이다.암세포선이나 병든 조직의 분비물 분석은 바이오마커 발견에 대한 보다 단순하고 구체적인 대안을 제시한다.[10]null

암 분비물학의 두 가지 주요 생물학적 원천은 암세포선 상등물과 종양과 접촉하는 액체인 근위 생물학적 액체들이다.암세포선 상등성은 분비된 단백질의 매력적인 공급원이다.이용 가능한 많은 표준화된 세포 라인이 있으며 상등액은 근위부 체액보다 분석하기가 훨씬 간단하다.그러나 세포선 분비물이 특정 미세환경에서 실제 종양을 잘 나타내고 표준화된 세포선이 실제 종양의 이질성을 잘 나타내지 않는지는 불분명하다.[16]근위부 유체의 분석은 인간 종양 분비물에 대한 더 나은 아이디어를 줄 수 있지만, 이 방법에는 단점도 있다.근위부 액체를 수집하는 절차는 여전히 표준화되어야 하며 비파괴적 통제가 필요하다.또 환자 간 환경적·유전적 차이도 분석을 복잡하게 할 수 있다.[16]null

분비물 분석은 폐암, 간암, 췌장암, 대장암, 전립선암, 유방암을 포함한 많은 암 유형에서 잠재적인 새로운 바이오마커들을 발견했다.현재 전립선암의 표준 바이오마커인 전립선 특이 항원(PSA)은 진단 특이성이 낮으며 PSA 수치가 항상 공격성 암과 비침습성 암을 구별할 수 있는 것은 아니기 때문에 더 나은 바이오마커가 매우 필요하다.전립선 세포 라인의 분비물 분석을 이용하여, 한 연구는 건강한 통제보다 암 환자의 혈청에서 더 높은 레벨에서 발견되는 여러 단백질을 발견할 수 있었다.[10]null

또한 유방암 검출을 위한 바이오마커의 필요성이 매우 크다 - 현재 바이오마커는 암의 후기 단계를 감시하기 위해서만 존재한다.[2]유방암 세포 라인의 분비물 분석은 ALCAM이라는 단백질을 진단 잠재력이 유망한 새로운 바이오마커로 발견하게 했다.[10]null

보조 생식 기술

인간 배아 분비물을 분석하는 것은 배아의 생존 가능성을 결정하기 위한 비침습적 방법을 찾는 데 도움이 될 수 있다.체외수정에서 배아는 이식 가능성이 높은 배아를 찾기 위한 시도로 형태학적 기준에 따라 평가된다.더 정량적인 평가 방법을 찾는 것은 체외수정에서 사용되는 배아의 수를 줄이는데 도움을 줄 수 있고, 따라서 더 높은 수준의 임신을 감소시킬 수 있다.예를 들어, 한 연구는 많은 배반세포에 대한 분비물 지문을 개발할 수 있었고, 정상과 비정상적인 수의 염색체를 가진 배반체를 구별할 수 있는 9개의 단백질을 발견했다.이런 유형의 분석은 배아 세포의 조직검사를 수반하고 발육에 해로울 수 있는 이식 전 유전자 검사(PGS)를 대체하는데 도움이 될 수 있다.[17]null

참조

  1. ^ a b c d e f g Hathout, Yetrib (2007). "Approaches to the study of the cell secretome". Expert Review of Proteomics. 4 (2): 239–48. doi:10.1586/14789450.4.2.239. PMID 17425459.
  2. ^ a b Pavlou, Maria P.; Diamandis, Eleftherios P. (2010). "The cancer cell secretome: A good source for discovering biomarkers?". Journal of Proteomics. 73 (10): 1896–906. doi:10.1016/j.jprot.2010.04.003. PMID 20394844.
  3. ^ Grønborg, Mads; Kristiansen, Troels Zakarias; Iwahori, Akiko; Chang, Rubens; Reddy, Raghunath; Sato, Norihiro; Molina, Henrik; Jensen, Ole Nørregaard; Hruban, Ralph H. (January 2006). "Biomarker discovery from pancreatic cancer secretome using a differential proteomic approach". Molecular & Cellular Proteomics. 5 (1): 157–171. doi:10.1074/mcp.M500178-MCP200. ISSN 1535-9476. PMID 16215274.
  4. ^ Khan, Mohd M.; Ernst, Orna; Sun, Jing; Fraser, Iain D. C.; Ernst, Robert K.; Goodlett, David R.; Nita-Lazar, Aleksandra (2018-06-24). "Mass Spectrometry-based Structural Analysis and Systems Immunoproteomics Strategies for Deciphering the Host Response to Endotoxin". Journal of Molecular Biology. 430 (17): 2641–2660. doi:10.1016/j.jmb.2018.06.032. ISSN 1089-8638. PMID 29949751.
  5. ^ Khan, Mohd M.; Koppenol-Raab, Marijke; Kuriakose, Minna; Manes, Nathan P.; Goodlett, David R.; Nita-Lazar, Aleksandra (2018-03-20). "Host-pathogen dynamics through targeted secretome analysis of stimulated macrophages". Journal of Proteomics. 189: 34–38. doi:10.1016/j.jprot.2018.03.016. ISSN 1876-7737. PMC 6149218. PMID 29572161.
  6. ^ Hynes, R. O.; Naba, A. (21 September 2011). "Overview of the Matrisome--An Inventory of Extracellular Matrix Constituents and Functions". Cold Spring Harbor Perspectives in Biology. 4 (1): a004903. doi:10.1101/cshperspect.a004903. PMC 3249625. PMID 21937732.
  7. ^ Tjalsma, H.; Bolhuis, A.; Jongbloed, J. D. H.; Bron, S.; Van Dijl, J. M. (2000). "Signal Peptide-Dependent Protein Transport in Bacillus subtilis: A Genome-Based Survey of the Secretome". Microbiology and Molecular Biology Reviews. 64 (3): 515–47. doi:10.1128/MMBR.64.3.515-547.2000. PMC 99003. PMID 10974125.
  8. ^ Antelmann, H.; Tjalsma, H; Voigt, B; Ohlmeier, S; Bron, S; Van Dijl, JM; Hecker, M (2001). "A Proteomic View on Genome-Based Signal Peptide Predictions". Genome Research. 11 (9): 1484–502. doi:10.1101/gr.182801. PMID 11544192.
  9. ^ a b c d e Agrawal, Ganesh Kumar; Jwa, Nam-Soo; Lebrun, Marc-Henri; Job, Dominique; Rakwal, Randeep (2010). "Plant secretome: Unlocking secrets of the secreted proteins". Proteomics. 10 (4): 799–827. doi:10.1002/pmic.200900514. PMID 19953550.
  10. ^ a b c d e Makridakis, Manousos; Vlahou, Antonia (2010). "Secretome proteomics for discovery of cancer biomarkers". Journal of Proteomics. 73 (12): 2291–305. doi:10.1016/j.jprot.2010.07.001. PMID 20637910.
  11. ^ a b Mustafa, Shakhawan Abdulrahman; Hoheisel, Jörg D.; Alhamdani, Mohamed Saiel Saeed (2011). "Secretome profiling with antibody microarrays". Molecular BioSystems. 7 (6): 1795–801. doi:10.1039/c1mb05071k. PMID 21505656.
  12. ^ Petersen, Thomas Nordahl; Brunak, Søren; von Heijne, Gunnar; Nielsen, Henrik (2011). "SignalP 4.0: discriminating signal peptides from transmembrane regions". Nature Methods. 8 (10): 785–786. doi:10.1038/nmeth.1701. ISSN 1548-7091. PMID 21959131.
  13. ^ Lum, G.; Min, X. J. (2011). "FunSecKB: the Fungal Secretome KnowledgeBase". Database. 2011: bar001. doi:10.1093/database/bar001. ISSN 1758-0463. PMC 3263735. PMID 21300622.
  14. ^ Zhou, Miaomiao; Theunissen, Daniel; Wels, Michiel; Siezen, Roland J (2010). "LAB-Secretome: a genome-scale comparative analysis of the predicted extracellular and surface-associated proteins of Lactic Acid Bacteria". BMC Genomics. 11 (1): 651. doi:10.1186/1471-2164-11-651. ISSN 1471-2164. PMC 3017865. PMID 21092245.
  15. ^ Polacek, Martin; Bruun, Jack-Ansgar; Johansen, Oddmund; Martinez, Inigo (2010). "Differences in the secretome of cartilage explants and cultured chondrocytes unveiled by SILAC technology". Journal of Orthopaedic Research. 28 (8): 1040–9. doi:10.1002/jor.21067. PMID 20108312.
  16. ^ a b c Karagiannis, George S.; Pavlou, Maria P.; Diamandis, Eleftherios P. (2010). "Cancer secretomics reveal pathophysiological pathways in cancer molecular oncology". Molecular Oncology. 4 (6): 496–510. doi:10.1016/j.molonc.2010.09.001. PMC 5527923. PMID 20934395.
  17. ^ Katz-Jaffe, M.G.; McReynolds, S.; Gardner, D.K.; Schoolcraft, W.B. (2009). "The role of proteomics in defining the human embryonic secretome". Molecular Human Reproduction. 15 (5): 271–7. doi:10.1093/molehr/gap012. PMC 2666223. PMID 19223337.