Name: jumpn: a streamlined application for protein co-expression clustering and network analysis in proteomics
Uploaded: 2021-10-19T13:30:00
Description: Watch this Scientific Journal Video about JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics at JoVE.com

Finansieringsstøtte blev ydet af National Institutes of Health (NIH) (R01AG047928, R01AG053987, RF1AG064909, RF1AG068581 og U54NS110435) og ALSAC (American Lebanese Syrian Associated Charities). MS-analysen blev udført i St. Jude Children's Research Hospital's Center of Proteomics and Metabolomics, som delvist blev støttet af NIH Cancer Center Support Grant (P30CA021765). Indholdet er udelukkende forfatternes ansvar og repræsenterer ikke nødvendigvis de officielle synspunkter fra National Institutes of Health.

BEMÆRK: I denne protokol illustreres brugen af JUMPn ved at anvende et offentliggjort datasæt af hel proteomprofilering under B-celledifferentiering kvantificeret af TMT isobarisk etiketreagens27.
1. Opsætning af JUMPn software
BEMÆRK: Der er to muligheder for opsætning af JUMPn-softwaren: (i) installation på en lokal computer til personlig brug; og (ii) implementering af JUMPn på en ekstern skinnende server til flere brugere. Til lokal ...

Her introducerede vi vores JUMPn-software og dens protokol, som er blevet anvendt i flere projekter til dissekering af molekylære mekanismer ved hjælp af dybe kvantitative proteomics-data 25,26,27,30,64. JUMPn-softwaren og -protokollen er blevet fuldt optimeret, herunder overvejelse af DE-proteiner til co-ekspressionsnetanalyse, en samling af omfattende PPI-...

Massespektrometribaseret haglgeværproteomik er blevet nøglemetoden til analyse af proteomdiversitet af komplekse prøver1. Med de seneste fremskridt inden for massespektrometriinstrumentering 2,3, kromatografi 4,5, ionmobilitetsdetektion6, erhvervelsesmetoder (datauafhængig7 og dataafhængig erhvervelse8), kvantificeringsmetoder (multiplex isobarisk peptidmærkningsmetode, fx TMT 9,10 og etiketfri kvantificering11,12) og dataanalysestrategier / softwareudvikling 13,14,15,16,17,18, kvantificering af hele proteomet (f.eks. over 10,000 proteiner) er nu rutine 19,20,21. Men hvordan man får mekanistisk indsigt fra så dybe kvantitative datasæt er stadig udfordrende22. Indledende forsøg på at undersøge disse datasæt var overvejende afhængige af annotationen af individuelle elementer i dataene og behandlede hver komponent (protein) uafhængigt. Biologiske systemer og deres adfærd kan imidlertid ikke udelukkende forklares ved at undersøge individuelle komponenter23. Derfor er en systemtilgang, der placerer de kvantificerede biomolekyler i sammenhæng med interaktionsnetværk, afgørende for forståelsen af komplekse systemer og de tilknyttede processer såsom embryogenese, immunrespons og patogenese af humane sygdomme24.
Netværksbaseret systembiologi er opstået som et stærkt paradigme til analyse af store kvantitative proteomics-data 25,26,27,28,29,30,31,32,33. Konceptuelt kunne komplekse systemer som pattedyrceller modelleres som et hierarkisk netværk34,35, hvor hele systemet er repræsenteret i niveauer: først af et antal store komponenter, som hver især derefter iterativt modelleres af mindre delsystemer. Teknisk set kan strukturen af proteomdynamik præsenteres af indbyrdes forbundne netværk af co-udtrykte proteinklynger (fordi co-udtrykte gener / proteiner ofte deler lignende biologiske funktioner eller mekanismer for regulering36) og fysisk interagerende PPI-moduler37. Som et nyligt eksempel25 genererede vi tidsmæssige profiler af hele proteom og fosfoproteom under T-celleaktivering og brugte integrerende co-ekspressionsnetværk med PPI'er til at identificere funktionelle moduler, der formidler T-celle hvileudgang. Flere bioenergetiske relaterede moduler blev fremhævet og eksperimentelt valideret (f.eks. mitoribosom og komplekse IV-modul25 og et-kulstofmodul38). I et andet eksempel26 udvidede vi yderligere vores tilgang til at studere patogenesen af Alzheimers sygdom og prioriterede med succes sygdomsprogressionsassocierede proteinmoduler og molekyler. Det er vigtigt, at mange af vores upartiske opdagelser blev valideret af uafhængige patientkohorter26,29 og / eller sygdomsmusemodeller26. Disse eksempler illustrerede kraften i den systembiologiske tilgang til dissekering af molekylære mekanismer med kvantitativ proteomics og andre omics-integrationer.
Her introducerer vi JUMPn, en strømlinet software, der udforsker kvantitative proteomics-data ved hjælp af netværksbaserede systembiologiske tilgange. JUMPn fungerer som downstream-komponenten i den etablerede JUMP proteomics-softwarepakke 13,14,39 og har til formål at udfylde hullet fra individuelle proteinkvantificeringer til biologisk meningsfulde veje og proteinmoduler ved hjælp af systembiologimetoden. Ved at tage kvantificeringsmatrixen af differentielt udtrykte (eller de mest variable) proteiner som input sigter JUMPn mod at organisere proteomet i et lagdelt hierarki af proteinklynger, der er co-udtrykt på tværs af prøver og tæt forbundne PPI-moduler (f.eks. Proteinkomplekser), som yderligere kommenteres med offentlige vejdatabaser ved overrepræsentation (eller berigelse) analyse (figur 1). JUMPn er udviklet med R/Shiny platform40 til en brugervenlig grænseflade og integrerer tre store funktionelle moduler: co-expression clustering analyse, pathway enrichment analyse og PPI netværksanalyse (figur 1). Efter hver analyse visualiseres resultaterne automatisk og kan justeres via R/shiny widget-funktionerne og kan let downloades som publikationstabeller i Microsoft Excel-format. I den følgende protokol bruger vi kvantitative hele proteomdata som et eksempel og beskriver de vigtigste trin i brugen af JUMPn, herunder installation af JUMPn-softwaren, definitionen af differentielt udtrykte proteiner eller det (dys) regulerede proteom, co-ekspressionsnetværksanalyse og PPI-modulanalyse, resultatvisualisering og fortolkning og fejlfinding. JUMPn-software er frit tilgængelig på GitHub41.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>MacBook Pro with a 2.3 GHz Quad-Core Processor running OS 10.15.7.</td>
			<td>Apple Inc.</td>
			<td>MacBook Pro 13&#39;&#39;</td>
			<td>Hardware used for software development and testing</td>
		</tr>
		<tr>
			<td>Anoconda</td>
			<td>Anaconda, Inc.</td>
			<td>version 4.9.2</td>
			<td>https://docs.anaconda.com/anaconda/install/</td>
		</tr>
		<tr>
			<td>miniconda</td>
			<td>Anaconda, Inc.</td>
			<td>version 4.9.2</td>
			<td>https://docs.conda.io/en/latest/miniconda.html</td>
		</tr>
		<tr>
			<td>RStudio</td>
			<td>RStudio Public-benefit corporation</td>
			<td>version 4.0.3</td>
			<td>https://www.rstudio.com/products/rstudio/download/</td>
		</tr>
		<tr>
			<td>Shiny Server</td>
			<td>RStudio Public-benefit corporation</td>
			<td></td>
			<td>https://shiny.rstudio.com/articles/shinyapps.html</td>
		</tr>
	</tbody>
</table>

jumpn: a streamlined application for protein co-expression clustering and network analysis in proteomics

Med de seneste fremskridt inden for massespektrometribaserede proteomics-teknologier er dyb profilering af hundredvis af proteomer blevet mere og mere mulig. Det er imidlertid en udfordring at udlede biologisk indsigt fra sådanne værdifulde datasæt. Her introducerer vi en systembiologisk baseret software JUMPn og dens tilhørende protokol til at organisere proteomet i protein-co-ekspressionsklynger på tværs af prøver og protein-protein interaktion (PPI) netværk forbundet med moduler (f.eks. Proteinkomplekser). Ved hjælp af R/Shiny-platformen strømliner JUMPn-softwaren analysen af co-ekspressionsklynger, pathwayberigelse og PPI-moduldetektion med integreret datavisualisering og en brugervenlig grænseflade. De vigtigste trin i protokollen inkluderer installation af JUMPn-softwaren, definitionen af differentielt udtrykte proteiner eller det (dys) regulerede proteom, bestemmelse af meningsfulde co-ekspressionsklynger og PPI-moduler og resultatvisualisering. Mens protokollen demonstreres ved hjælp af en isobarisk mærkningsbaseret proteomprofil, er JUMPn generelt anvendelig på en bred vifte af kvantitative datasæt (f.eks. Etiketfri proteomik). JUMPn-softwaren og -protokollen giver således et kraftfuldt værktøj til at lette biologisk fortolkning i kvantitativ proteomics.

Vi brugte vores offentliggjorte dybe proteomics datasæt 25,26,27,30 (figur 5 og figur 6) samt datasimuleringer57 (tabel 1) til at optimere og evaluere JUMPn-ydeevne. Til analyse af co-ekspressionsproteinklynger via WGCNA anbefaler vi at anvende proteiner, der er signifikant ændret på tværs a...

Watch this Scientific Journal Video about JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics at JoVE.com

JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics

Vi præsenterer et systembiologisk værktøj JUMPn til at udføre og visualisere netværksanalyse for kvantitative proteomics-data med en detaljeret protokol, herunder dataforbehandling, co-ekspressionsklyngedannelse, vejberigelse og protein-protein interaktionsnetværksanalyse.

JUMPn: En strømlinet applikation til protein co-ekspressionsklynger og netværksanalyse i proteomics

With recent advances in mass spectrometry-based proteomics technologies, deep profiling of hundreds of proteomes has become increasingly feasible. ...

Protokollen til JUMPn-softwaren har til formål at lette biologisk fortolkning af kvantitative proteomics-data. Softwaren er i stand til at organisere hele proteinet i niveauhierarki af co-ekspressionsklynger og proteininteraktionsmodulerne. Især strømliner JUMPn-softwaren analysen af co-ekspressionsklynger, vejberigelse og PPI-moduldetektion.Det giver en brugervenlig grænseflade og interaktiv visualisering af data og netværk. Mens vi med succes demonstrerede anvendelsen af JUMPn i hele proteomdataanalysen, kan metoden let udvides til andre datatyper, herunder phosphoproteomics-analyse og interactomdata fra affinitetsoprensningsmassespektrometri. For at konfigurere JUMPn-softwaren skal du downloade kildekoden fra webstedet og installere softwaren på kommandolinjeterminalen.For at starte JUMPn-softwaren skal du ændre den aktuelle mappe til udførelsesmappen ved at skrive cd-udførelse "på terminalen og derefter indtaste teksten på terminalen for at starte JUMPn i webbrowseren. På JUMPn-hjemmesiden skal du klikke på knappen Start analyse for at starte JUMPn-analysen og derefter i nederste venstre hjørne af siden Commence Analysis" klikke på knappen Upload Demo B-Cell Proteomic Data for at se en meddelelse om succesen med datauploaden. I nederste højre hjørne af siden skal du klikke på knappen Send JUMPn-analyse for at starte demokørslen ved hjælp af standardparametre.En statuslinje angiver analysens forløb. Vent, indtil statuslinjen er opfyldt. Når demokørslen er afsluttet, vises en dialogboks med succeskørselsmeddelelsen og den absolutte sti til resultatmappen, og klik derefter på Fortsæt til resultater "fanen.Når websiden guider til co-expression cluster-resultaterne af WGCNA-algoritmen, skal du klikke på Vis resultater "i dialogvinduet for at fortsætte. Til venstre på siden Resultater side 1 WGCNA Output skal du finde protein-co-ekspressionsmønstrene og bruge Vælg udtryksformatet "til at navigere mellem to figurformater. Boxplot-figur vælges som standard.Vælg fanen Trends"for at få vist tendensdiagrammet, hvor hver linje repræsenterer individuel proteinmængde på tværs af prøver. Farven på hver linje repræsenterer, hvor tæt udtryksmønsteret er på konsensussen for co-udtryksklyngen. Til højre for WGCNA-outputsiden kan Pathway Ontology Enrichment Heatmap "ses.I et varmekort vises de mest berigede stier for hver klynge sammen. Rul derefter ned på websiden for at se udtryksmønsteret for individuelle proteiner. Brug rullemenuen, vælg co-ekspressionsklyngen til at undersøge proteiner fra hver klynge, og vælg derefter et specifikt protein i tabellen, hvor søjlediagrammet under tabellen automatisk opdateres for at afspejle dets proteinmængde.For specifikke proteinnavne skal du bruge søgefeltet i højre side af tabellen. Senere skal du se på protein-protein-interaktionen eller PPI-resultaterne ved at klikke på Resultat side 2 PPI-output "øverst. For at få resultaterne for en bestemt co-expression cluster skal du klikke på Vælg fanen Co-Expression Cluster".Visningerne af alle figurpaneler opdateres for den nyligt valgte klynge. I panelet til venstre figur skal du se PPI-netværkene for den valgte co-expression-klynge ved hjælp af rullemenuen Vælg efter gruppe og fremhæve individuelle PPI-moduler i netværket og derefter gå til det valgte netværkslayoutformatfelt for at ændre netværkslayoutet. Brug mus og pegefelt til at zoome ind eller zoome ud af PPI-netværket for at se gennavnene på hver node i netværket.Når der zoomes ind, skal du vælge og klikke på et bestemt protein for at fremhæve proteinet og dets netværksnaboer. Træk en bestemt node i netværket for at ændre sin position i layoutet og omorganisere netværkslayoutet. På højre panel på PPI-resultatsiden skal du studere oplysningerne på co-ekspressionsklyngeniveau, der hjælper med at fortolke PPI-resultater.Samudtryksmønsteret på den valgte klynge kan som standard ses som boxplot. Vælg Trends"for at vise trends plot for et co-udtryk mønster og derefter vælge pathway bar plot for at vise signifikant berigede stier for co-expression cluster med pathway circle plot, se betydeligt berigede veje for co-expression cluster i circle plot format. For at se resultater på det enkelte PPI-modulniveau skal du rulle ned på resultatsiden til PPI-outputwebsiden og udvide rullemenuen Vælg modulet for at vælge et specifikt PPI-modul til visning.Se PPI-modulet i venstre panel, manipuler netværksdisplayet som forklaret før. I højre panel skal du se resultaterne af forbedringen af forløbsontologien og derefter bruge rullemenuen Vælg rullemenuen Stiannoteringsstil og afkryds fanen søjleplot for at få vist flere oplysninger og viser om væsentligt forbedrede veje for det valgte PPI-modul. Krydscirkeldiagram for at vise signifikant berigede veje for det valgte PPI-modul i form af et cirkelplot og brug varmekort til at vise signifikant berigede veje og de tilknyttede gennavne.Gå til fanen Tabel"for at få vist de detaljerede resultater af vejberigelse, herunder navnet på veje, ontologiske termer, gennavne og P-værdien ved Fishers nøjagtige test. Følg den absolutte sti, der udskrives øverst på resultatsiderne, og find publikationsregnearktabellen. JUMPn er udviklet med R skinnende platform for en brugervenlig grænseflade og integrerer tre store funktionelle moduler.Klyngeanalyse af co-ekspression, analyse af vejberigelse og PPI-netværksanalyse. Efter hver analyse visualiseres resultaterne automatisk i vores justerbare via R skinnende widgetfunktioner og kan let downloades som publikationstabeller og Microsoft Excel-format. Til PPI-netværksanalyse blev et sammensat PPI-netværk kompileret ved at kombinere STRING, BioPlex og i web-IM-databaser.Det endelige fusionerede PPI-netværk dækker mere end 20.000 humane gener med 1.100.000 kanter. Dette omfattende interactome er inkluderet og offentliggjort i et bundt med JUMPn-softwaren til følsom PPI-analyse. Netværksbaserede tilgange, der udnytter både co-ekspression og proteininteraktionsnetværk, kan bruges som en ekstra metode til inferens af aktivitet i transkriptionsfaktorer og kinaser.

Research

JoVE Journal

Biochemistry

Method for Identifying Small Molecule Inhibitors of the Protein-protein Interaction Between HCN1 and TRIP8b

Fremgangsmåde til at identificere småmolekylære inhibitorer af protein-protein-vekselvirkning mellem HCN1 og TRIP8b

Hyperpolarization-activated cyclic nucleotide-gated (HCN) channels are expressed ubiquitously throughout the brain, where they function to regulate the ...

Lipid Droplet Isolation for Quantitative Mass Spectrometry Analysis

Lipid Droplet Isolation for Kvantitativ massespektrometri Analyse

Lipid droplets are vital to the replication of a variety of different pathogens, most prominently the Hepatitis C Virus (HCV), as the putative site of ...

Extracellular Protein Microarray Technology for High Throughput Detection of Low Affinity Receptor-Ligand Interactions

Ekstracellulære Protein Microarray teknologi til High Throughput påvisning af lav affinitet Receptor-Ligand interaktioner

Secreted factors, membrane-tethered receptors, and their interacting partners are main regulators of cellular communication and initiation of signaling ...

Preparation of Chloroplast Sub-compartments from Arabidopsis for the Analysis of Protein Localization by Immunoblotting or Proteomics

Forberedelse af grønkorn sub rum fra Arabidopsis til analyse af Protein lokalisering af Immunoblotting eller Proteomics

Chloroplasts are major components of plant cells. Such plastids fulfill many crucial functions, such as assimilation of carbon, sulfur and nitrogen as ...

Analysis of Protein Folding, Transport, and Degradation in Living Cells by Radioactive Pulse Chase

Analyse af proteinfoldning, Transport og nedbrydning i levende celler af radioaktivt puls Chase

Radioactive pulse-chase labeling is a powerful tool for studying the conformational maturation, the transport to their functional cellular location, and ...

Detection of Protein Ubiquitination Sites by Peptide Enrichment and Mass Spectrometry

Påvisning af proteinubiquitinationssteder ved peptidberigelse og massespektrometri

The posttranslational modification of proteins by the small protein ubiquitin is involved in many cellular events. After tryptic digestion of ...

Application of Biolayer Interferometry (BLI) for Studying Protein-Protein Interactions in Transcription

Application of Biolayer Interferometry BLI for Studying Protein-Protein Interactions in Transcription

Anvendelse af Biolayer interferometri (BLI) til undersøgelse af protein-protein interaktioner i transkriptionen

A transcription factor&#160;(TF) is a protein that regulates gene expression by interacting with the RNA polymerase, another TF, and/or template DNA. GrgA ...

Quantification of Protein Interaction Network Dynamics using Multiplexed Co-Immunoprecipitation

Kvantificering af protein interaktions netværk dynamik ved hjælp af Multiplexed Co-Immunopræcipitation

Dynamic protein-protein interactions control cellular behavior, from motility to DNA replication to signal transduction. However, monitoring dynamic ...

PeptiQuick, a One-Step Incorporation of Membrane Proteins into Biotinylated Peptidiscs for Streamlined Protein Binding Assays

PeptiQuick, et et-trins inkorporering af membran proteiner i Biotinylerede Peptiskiver for strømlinede protein bindende assays

Membrane proteins, including transporters, channels, and receptors, constitute nearly one-fourth of the cellular proteome and over half of current drug ...

TMT Sample Preparation for Proteomics Facility Submission and Subsequent Data Analysis

TMT Prøve forberedelse til Proteomics Facility Indsendelse og efterfølgende dataanalyse

Proteomic technologies are powerful methodologies that can aid our understanding of mechanisms of action in biological systems by providing a global view ...