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

Die finanzielle Unterstützung wurde von den National Institutes of Health (NIH) (R01AG047928, R01AG053987, RF1AG064909, RF1AG068581 und U54NS110435) und ALSAC (American Lebanese Syrian Associated Charities) bereitgestellt. Die MS-Analyse wurde im Zentrum für Proteomik und Metabolomik des St. Jude Children's Research Hospital durchgeführt, das teilweise durch den NIH Cancer Center Support Grant (P30CA021765) unterstützt wurde. Der Inhalt liegt in der alleinigen Verantwortung der Autoren und stellt nicht unbedingt die offiziellen Ansichten der National Institutes of Health dar.

HINWEIS: In diesem Protokoll wird die Verwendung von JUMPn durch die Verwendung eines veröffentlichten Datensatzes der Profilerstellung des gesamten Proteoms während der B-Zell-Differenzierung veranschaulicht, der mit dem isobaren TMT-Markierungsreagenz27 quantifiziert wurde.
1. Einrichtung der JUMPn-Software
HINWEIS: Für die Einrichtung der JUMPn-Software stehen zwei Optionen zur Verfügung: (i) Installation auf einem lokalen Computer für ...

Hier haben wir unsere JUMPn-Software und ihr Protokoll vorgestellt, die in mehreren Projekten zur Sezierung molekularer Mechanismen unter Verwendung tiefer quantitativer Proteomik-Daten 25,26,27,30,64 angewendet wurden. Die JUMPn-Software und das Protokoll wurden vollständig optimiert, einschließlich der Berücksichtigung von DE-Proteinen für die Co-Express...

Massenspektrometrie-basierte Schrotflintenproteomik ist zum Schlüsselansatz für die Analyse der Proteomdiversität komplexer Probengeworden 1. Mit den jüngsten Fortschritten in der MassenspektrometrieInstrumentierung 2,3, Chromatographie 4,5, Ionenmobilitätsdetektion6, Erfassungsmethoden (datenunabhängig7 und datenabhängige Erfassung8), Quantifizierungsansätze (multiplexe isobare Peptidmarkierungsmethode, z. B. TMT9,10 und markierungsfreie Quantifizierung 11,12) und Datenanalysestrategien / Softwareentwicklung 13,14,15,16,17,18, Quantifizierung des gesamten Proteoms (z.B. über 10.000 Proteine) ist jetzt Routine 19,20,21. Wie man jedoch mechanistische Erkenntnisse aus solch tiefen quantitativen Datensätzen gewinnen kann, ist immer noch eine Herausforderung22. Erste Versuche, diese Datensätze zu untersuchen, stützten sich hauptsächlich auf die Annotation einzelner Elemente der Daten, wobei jede Komponente (Protein) unabhängig voneinander behandelt wurde. Biologische Systeme und ihr Verhalten lassen sich jedoch nicht allein durch die Untersuchung einzelner Komponentenerklären 23. Daher ist ein Systemansatz, der die quantifizierten Biomoleküle in den Kontext von Interaktionsnetzwerken stellt, für das Verständnis komplexer Systeme und der damit verbundenen Prozesse wie Embryogenese, Immunantwort und Pathogenese menschlicher Krankheitenunerlässlich 24.
Die netzwerkbasierte Systembiologie hat sich zu einem leistungsfähigen Paradigma für die Analyse großer quantitativer Proteomikdaten 25,26,27,28,29,30,31,32,33 entwickelt. Konzeptionell könnten komplexe Systeme wie Säugetierzellen als hierarchisches Netzwerk34,35 modelliert werden, in dem das gesamte System in Ebenen dargestellt wird: zuerst durch eine Reihe von großen Komponenten, von denen jede dann iterativ durch kleinere Subsysteme modelliert wird. Technisch gesehen kann die Struktur der Proteomdynamik durch miteinander verbundene Netzwerke von koexprimierten Proteinclustern (weil koexprimierte Gene / Proteine oft ähnliche biologische Funktionen oder Mechanismen der Regulation36 teilen) und physikalisch interagierenden PPI-Modulen37 dargestellt werden. Als aktuelles Beispiel25 generierten wir zeitliche Profile des gesamten Proteoms und des Phosphoproteoms während der T-Zell-Aktivierung und verwendeten integrative Co-Expressionsnetzwerke mit PPIs, um funktionelle Module zu identifizieren, die den T-Zell-Ruhezustand vermitteln. Mehrere bioenergetische Module wurden hervorgehoben und experimentell validiert (z. B. die Mitoribosom- und komplexen IV-Module25 und das Ein-Kohlenstoff-Modul38). In einem weiteren Beispiel26 haben wir unseren Ansatz zur Untersuchung der Pathogenese der Alzheimer-Krankheit weiter ausgebaut und erfolgreich die mit dem Krankheitsverlauf assoziierten Proteinmodule und -moleküle priorisiert. Wichtig ist, dass viele unserer unvoreingenommenen Entdeckungen durch unabhängige Patientenkohorten 26,29 und/oder Krankheitsmausmodelle26 validiert wurden. Diese Beispiele veranschaulichten die Leistungsfähigkeit des systembiologischen Ansatzes zur Sezierung molekularer Mechanismen mit quantitativer Proteomik und anderen Omics-Integrationen.
Hier stellen wir JUMPn vor, eine optimierte Software, die quantitative Proteomikdaten mit netzwerkbasierten systembiologischen Ansätzen untersucht. JUMPn dient als nachgelagerte Komponente der etablierten JUMP Proteomik-Software-Suite13,14,39 und zielt darauf ab, die Lücke von einzelnen Proteinquantifizierungen zu biologisch sinnvollen Signalwegen und Proteinmodulen mit dem systembiologischen Ansatz zu schließen. Durch die Berücksichtigung der Quantifizierungsmatrix von differentiell exprimierten (oder den variabelsten) Proteinen als Input zielt JUMPn darauf ab, das Proteom in einer abgestuften Hierarchie von Proteinclustern zu organisieren, die über Proben und dicht verbundene PPI-Module (z. B. Proteinkomplexe) koexprimiert werden, die durch Überrepräsentationsanalyse (oder Anreicherungsanalyse) weiter mit öffentlichen Pfaddatenbanken annotiert werden (Abbildung 1). JUMPn wurde mit der R/Shiny-Plattform40 für eine benutzerfreundliche Oberfläche entwickelt und integriert drei Hauptfunktionsmodule: Co-Expression-Clustering-Analyse, Pathway-Enrichment-Analyse und PPI-Netzwerkanalyse (Abbildung 1). Nach jeder Analyse werden die Ergebnisse automatisch visualisiert und über die R/shiny-Widget-Funktionen einstellbar und können als Publikationstabellen im Microsoft Excel-Format heruntergeladen werden. Im folgenden Protokoll verwenden wir quantitative Gesamtproteomdaten als Beispiel und beschreiben die wichtigsten Schritte der Verwendung von JUMPn, einschließlich der Installation der JUMPn-Software, der Definition von differentiell exprimierten Proteinen oder des (dys)regulierten Proteoms, der Co-Expressionsnetzwerkanalyse und der PPI-Modulanalyse, der Ergebnisvisualisierung und -interpretation sowie der Fehlerbehebung. Die JUMPn-Software ist auf GitHub41 frei verfügbar.

<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

Mit den jüngsten Fortschritten bei massenspektrometriebasierten Proteomiktechnologien ist die Tiefenprofilierung von Hunderten von Proteomen zunehmend möglich geworden. Es ist jedoch eine Herausforderung, biologische Erkenntnisse aus solch wertvollen Datensätzen abzuleiten. Hier stellen wir eine auf Systembiologie basierende Software JUMPn und das zugehörige Protokoll vor, um das Proteom in Protein-Coexpressionscluster über Proben und Protein-Protein-Interaktionsnetzwerke (PPI) zu organisieren, die durch Module (z. B. Proteinkomplexe) verbunden sind. Mit der R/Shiny-Plattform optimiert die JUMPn-Software die Analyse von Co-Expression-Clustering, Pathway-Anreicherung und PPI-Modulerkennung mit integrierter Datenvisualisierung und einer benutzerfreundlichen Oberfläche. Die Hauptschritte des Protokolls umfassen die Installation der JUMPn-Software, die Definition von differentiell exprimierten Proteinen oder des (dys)regulierten Proteoms, die Bestimmung von aussagekräftigen Co-Expressionsclustern und PPI-Modulen sowie die Ergebnisvisualisierung. Während das Protokoll anhand eines isobaren, markierungsbasierten Proteomprofils demonstriert wird, ist JUMPn im Allgemeinen auf eine Vielzahl von quantitativen Datensätzen anwendbar (z. B. markierungsfreie Proteomik). Die JUMPn-Software und das JUMPn-Protokoll stellen somit ein leistungsfähiges Werkzeug zur Verfügung, um die biologische Interpretation in der quantitativen Proteomik zu erleichtern.

Wir verwendeten unsere veröffentlichten Deep-Proteomics-Datensätze25,26,27,30 (Abbildungen 5 und Abbildung 6) sowie Datensimulationen57 (Tabelle 1), um die JUMPn-Leistung zu optimieren und zu bewerten. Für die Co-Expressions-Proteinclustering-Analyse über WGCNA empfehlen wir, Proteine zu ver...

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

Wir präsentieren ein systembiologisches Tool JUMPn zur Durchführung und Visualisierung von Netzwerkanalysen für quantitative Proteomikdaten mit einem detaillierten Protokoll, das Datenvorverarbeitung, Co-Expression-Clustering, Signalweganreicherung und Protein-Protein-Interaktionsnetzwerkanalyse umfasst.

JUMPn: Eine optimierte Anwendung für Protein-Co-Expressions-Clustering und Netzwerkanalyse in der Proteomik

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

Das Protokoll der JUMPn-Software zielt darauf ab, die biologische Interpretation quantitativer Proteomik-Daten zu erleichtern. Die Software ist in der Lage, das gesamte Protein in einer Tierhierarchie von Co-Expressionsclustern und den Proteininteraktionsmodulen zu organisieren. Insbesondere rationalisiert die JUMPn-Software die Analyse von Co-Expression-Clustering, Pathway-Anreicherung und PPI-Modulerkennung.Es bietet eine benutzerfreundliche Oberfläche und interaktive Visualisierung der Daten und der Netzwerke. Während wir die Anwendung von JUMPn in der gesamten Proteomdatenanalyse erfolgreich demonstriert haben, ist die Methode leicht auf andere Datentypen erweiterbar, einschließlich der Phosphoproteomik-Analyse und der Interaktomdaten aus der Affinitätsreinigungs-Massenspektrometrie. Um die JUMPn-Software einzurichten, laden Sie den Quellcode von der Website herunter und installieren Sie die Software auf dem Befehlszeilenterminal.Um die JUMPn-Software zu starten, wechseln Sie das aktuelle Verzeichnis in den Ausführungsordner, indem Sie cd execution" auf dem Terminal eingeben, und geben Sie dann den Text auf dem Terminal ein, um JUMPn im Webbrowser zu starten. Klicken Sie auf der JUMPn-Homepage auf die Schaltfläche "Analyse beginnen", um die JUMPn-Analyse zu starten, und klicken Sie dann in der unteren linken Ecke der Seite "Analyse beginnen" auf die Schaltfläche "Demo hochladen B-Cell Proteomic Data", um eine Benachrichtigung über den Erfolg des Datenuploads anzuzeigen. Klicken Sie in der unteren rechten Ecke der Seite auf die Schaltfläche "Submit JUMPn Analysis", um den Demolauf mit Standardparametern zu starten.Ein Fortschrittsbalken zeigt den Verlauf der Analyse an. Warten Sie, bis der Fortschrittsbalken erfüllt ist. Sobald der Demolauf abgeschlossen ist, erscheint ein Dialogfeld mit der Erfolgsmeldung und dem absoluten Pfad zum Ergebnisordner, dann klicken Sie auf die Registerkarte "Weiter zu den Ergebnissen".Wenn die Webseite zu den Ergebnissen des Co-Expression-Clusters nach dem WGCNA-Algorithmus führt, klicken Sie im Dialogfenster auf "Ergebnisse anzeigen", um fortzufahren. Suchen Sie links auf der WGCNA-Ausgabeseite der Ergebnisseite die Protein-Co-Expressionsmuster und verwenden Sie das "Wählen Sie das Ausdrucksformat", um zwischen zwei Abbildungsformaten zu navigieren. Die Boxplot-Figur ist standardmäßig ausgewählt.Wählen Sie die Registerkarte "Trends", um das Trenddiagramm anzuzeigen, wobei jede Zeile die individuelle Proteinhäufigkeit über Proben hinweg darstellt. Die Farbe jeder Zeile stellt dar, wie nahe das Ausdrucksmuster dem Konsens des Koausdrucksclusters liegt. Rechts auf der WGCNA-Ausgabeseite kann die "Pathway Ontology Enrichment Heatmap" angezeigt werden.In einer Heatmap werden die am stärksten angereicherten Pfade für jeden Cluster zusammen angezeigt. Scrollen Sie als Nächstes auf der Webseite nach unten, um das Expressionsmuster für einzelne Proteine anzuzeigen. Verwenden Sie das Dropdown-Feld, wählen Sie den Co-Expressionscluster aus, um Proteine aus jedem Cluster zu untersuchen, und wählen Sie dann ein bestimmtes Protein in der Tabelle aus, auf dem das Balkendiagramm unter der Tabelle automatisch aktualisiert wird, um seine Proteinhäufigkeit widerzuspiegeln.Für bestimmte Proteinnamen verwenden Sie das Feld "Suchen" auf der rechten Seite der Tabelle. Schauen Sie sich später die Protein-Protein-Interaktion oder die PPI-Ergebnisse an, indem Sie oben auf die Ergebnisseite 2 PPI-Ausgabe klicken. Um die Ergebnisse für einen bestimmten Co-Ausdruckscluster abzurufen, klicken Sie auf die Registerkarte "Co-Ausdruckscluster auswählen".Die Anzeigen aller Abbildungsfelder werden für den neu ausgewählten Cluster aktualisiert. Zeigen Sie im linken Abbildungsbereich die PPI-Netzwerke für den ausgewählten Co-Ausdruckscluster an, indem Sie das Dropdownfeld Nach Gruppe auswählen verwenden und einzelne PPI-Module innerhalb des Netzwerks hervorheben, und wechseln Sie dann zum Feld für das ausgewählte Netzwerklayoutformat, um das Netzwerklayout zu ändern. Vergrößern oder verkleinern Sie das PPI-Netzwerk mit Maus und Trackpad, um die Gennamen der einzelnen Knoten im Netzwerk anzuzeigen.Wenn Sie vergrößert sind, wählen Sie ein bestimmtes Protein aus und klicken Sie darauf, um das Protein und seine Netzwerknachbarn hervorzuheben. Ziehen Sie im Netzwerk einen bestimmten Knoten, um seine Position im Layout zu ändern und das Netzwerklayout neu zu organisieren. Studieren Sie im rechten Bereich der PPI-Ergebnisseite die Informationen auf Co-Expression-Clusterebene, die die Interpretation der PPI-Ergebnisse unterstützen.Das Co-Ausdrucksmuster für den ausgewählten Cluster kann standardmäßig als Boxplot angezeigt werden. Wählen Sie "Trends", um das Trenddiagramm für das A-Co-Ausdrucksmuster anzuzeigen, und entscheiden Sie sich dann für das Pfadbalkendiagramm, um signifikant angereicherte Pfade für den Co-Ausdruckscluster mit dem Pfadkreisdiagramm anzuzeigen, zeigen Sie signifikant angereicherte Pfade für den Co-Ausdruckscluster im Kreisdiagrammformat an. Um die Ergebnisse auf der Ebene der einzelnen PPI-Module anzuzeigen, scrollen Sie auf der Ergebnisseite nach unten zur PPI-Ausgabewebseite und erweitern Sie das Dropdown-Feld Modul auswählen, um ein bestimmtes PPI-Modul für die Anzeige auszuwählen.Sehen Sie sich das PPI-Modul im linken Bereich an und manipulieren Sie die Netzwerkanzeige wie zuvor beschrieben. Zeigen Sie im rechten Bereich die Ergebnisse der Pathway-Ontologie-Anreicherung an, verwenden Sie dann das Dropdown-Feld "Pathway Annotation Style" auswählen und aktivieren Sie die Registerkarte Barplot, um weitere Informationen und Anzeigen über erheblich angereicherte Pfade für das ausgewählte PPI-Modul anzuzeigen. Tick Circle Plot, um signifikant angereicherte Pfade für das ausgewählte PPI-Modul im Format eines Kreisdiagramms anzuzeigen und Heatmap zu verwenden, um signifikant angereicherte Pfade und die zugehörigen Gennamen anzuzeigen.Gehen Sie zu Tabelle", um die detaillierten Ergebnisse der Pfadanreicherung anzuzeigen, einschließlich der Namen der Signalwege, Ontologiebegriffe, Gennamen und des P-Werts von Fishers exaktem Test. Folgen Sie dem absoluten Pfad, der oben auf den Ergebnisseiten abgedruckt ist, und suchen Sie die Tabelle der Veröffentlichungstabelle. JUMPn wurde mit der R Shiny-Plattform für eine benutzerfreundliche Oberfläche entwickelt und integriert drei große Funktionsmodule.Co-Expression-Clustering-Analyse, Pathway-Anreicherungsanalyse und PPI-Netzwerkanalyse. Nach jeder Analyse werden die Ergebnisse automatisch in unseren über die R glänzenden Widget-Funktionen einstellbar visualisiert und können als Publikationstabellen und Microsoft Excel-Format heruntergeladen werden. Für die PPI-Netzwerkanalyse wurde ein zusammengesetztes PPI-Netzwerk durch die Kombination von STRING, BioPlex und Web-IM-Datenbanken zusammengestellt.Das endgültige zusammengeführte PPI-Netzwerk umfasst mehr als 20.000 menschliche Gene mit 1.100.000 Kanten. Dieses umfassende Interaktom ist enthalten und wird in einem Bundle mit der JUMPn-Software für empfindliche PPI-Analysen veröffentlicht. Netzwerkbasierte Ansätze, die sowohl Koexpressions- als auch Proteininteraktionsnetzwerke nutzen, können als zusätzliche Methode für die Inferenz von Aktivität in Transkriptionsfaktoren und Kinasen verwendet werden.

Research

JoVE Journal

Biochemistry

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

Verfahren zur Identifizierung von niedermolekularen Inhibitoren des Protein-Protein-Wechselwirkung zwischen HCN1- und TRIP8b

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

Forschung

Biochemie

Lipid Droplet Isolation for Quantitative Mass Spectrometry Analysis

Lipid Droplet Isolierung für die quantitative Massenspektrometrie-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

Extrazelluläre Protein-Microarray-Technologie für hohen Durchsatz-Erkennung von geringe Affinität-Rezeptor-Ligand-Wechselwirkungen

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

Vorbereitung der Chloroplasten Sub Fächer von Arabidopsis für die Analyse von Protein-Lokalisierung durch Immunoblotting oder 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 der Proteinfaltung, Transport und Abbau in lebenden Zellen durch radioaktive 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

Nachweis von Protein-Ubiquitinationsstellen durch Peptidanreicherung und Massenspektrometrie

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

Anwendung der Biolayer-Interferometrie (BLI) zur Untersuchung von Protein-Protein-Wechselwirkungen bei der Transkription

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

Quantifizierung der Protein-Interaktionsnetzwerkdynamik mit Multiplex-Co-Immunopräzipitation

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, ein Ein-Schritt-Einbindung von Membranproteinen in biotinylierte Peptidiscs für optimierte Proteinbindungstests

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-Beispielvorbereitung für proteomics Facility Submission und nachfolgende Datenanalyse

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