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

El apoyo financiero fue proporcionado por los Institutos Nacionales de Salud (NIH) (R01AG047928, R01AG053987, RF1AG064909, RF1AG068581 y U54NS110435) y ALSAC (American Lebanese Syrian Associated Charities). El análisis de EM se llevó a cabo en el Centro de Proteómica y Metabolómica del St. Jude Children's Research Hospital, que fue parcialmente apoyado por la Subvención de Apoyo del Centro de Cáncer de los NIH (P30CA021765). El contenido es responsabilidad exclusiva de los autores y no representa necesariamente las opiniones oficiales de los Institutos Nacionales de Salud.

NOTA: En este protocolo, el uso de JUMPn se ilustra utilizando un conjunto de datos publicado de perfiles de proteoma completo durante la diferenciación de células B cuantificado por el reactivo de etiqueta isobárica TMT27.
1. Configuración del software JUMPn
NOTA: Se proporcionan dos opciones para configurar el software JUMPn: (i) instalación en un equipo local para uso personal; y (ii) implementación de JUMPn en un shiny server remoto p...

Aquí presentamos nuestro software JUMPn y su protocolo, que se han aplicado en múltiples proyectos para diseccionar mecanismos moleculares utilizando datos proteómicos cuantitativos profundos 25,26,27,30,64. El software y el protocolo JUMPn se han optimizado por completo, incluida la consideración de las proteínas DE para el análisis de redes de coexpres...

La proteómica de escopeta basada en espectrometría de masas se ha convertido en el enfoque clave para analizar la diversidad de proteomas de muestras complejas1. Con los recientes avances en instrumentación de espectrometríade masas 2,3, cromatografía 4,5, detección de movilidad iónica6, métodos de adquisición (adquisición independiente de datos7 y adquisición dependiente de datos8), enfoques de cuantificación (método de etiquetado de péptidos isobáricos multiplex, por ejemplo, TMT 9,10 y cuantificación sin etiquetas11,12) y estrategias de análisis de datos / desarrollo de software 13,14,15,16,17,18, cuantificación de todo el proteoma (por ejemplo, más de 10,000 proteínas) es ahora rutinario 19,20,21. Sin embargo, cómo obtener información mecanicista a partir de conjuntos de datos cuantitativos tan profundos sigue siendo un desafío22. Los intentos iniciales de investigar estos conjuntos de datos se basaron predominantemente en la anotación de elementos individuales de los datos, tratando cada componente (proteína) de forma independiente. Sin embargo, los sistemas biológicos y su comportamiento no pueden explicarse únicamente examinando componentes individuales23. Por lo tanto, un enfoque sistémico que coloque las biomoléculas cuantificadas en el contexto de las redes de interacción es esencial para la comprensión de los sistemas complejos y los procesos asociados, como la embriogénesis, la respuesta inmune y la patogénesis de las enfermedades humanas24.
La biología de sistemas basada en redes se ha convertido en un poderoso paradigma para analizar datos de proteómica cuantitativa a gran escala 25,26,27,28,29,30,31,32,33. Conceptualmente, los sistemas complejos como las células de mamíferos podrían modelarse como una red jerárquica34,35, en la que todo el sistema está representado en niveles: primero por una serie de componentes grandes, cada uno de los cuales luego modelado iterativamente por subsistemas más pequeños. Técnicamente, la estructura de la dinámica del proteoma puede ser presentada por redes interconectadas de grupos de proteínas coexpresadas (porque los genes/proteínas coexpresados a menudo comparten funciones biológicas similares o mecanismos de regulación36) y módulos PPI que interactúan físicamente37. Como ejemplo reciente25, generamos perfiles temporales de proteoma y fosfoproteoma completos durante la activación de células T y utilizamos redes integradoras de coexpresión con IBP para identificar módulos funcionales que median la salida de inactividad de células T. Se destacaron múltiples módulos relacionados con la bioenergética y se validaron experimentalmente (por ejemplo, el mitoribosoma y los módulos IVcomplejos 25, y el módulo de un carbono38). En otro ejemplo26, ampliamos aún más nuestro enfoque para estudiar la patogénesis de la enfermedad de Alzheimer y priorizamos con éxito los módulos y moléculas de proteínas asociadas a la progresión de la enfermedad. Es importante destacar que muchos de nuestros descubrimientos imparciales fueron validados por cohortes de pacientes independientes26,29 y / o modelos de ratón de enfermedad26. Estos ejemplos ilustraron el poder del enfoque de la biología de sistemas para diseccionar mecanismos moleculares con proteómica cuantitativa y otras integraciones ómicas.
Aquí presentamos JUMPn, un software optimizado que explora datos proteómicos cuantitativos utilizando enfoques de biología de sistemas basados en redes. JUMPn sirve como el componente posterior de la suite de software de proteómica JUMP establecida 13,14,39, y tiene como objetivo llenar el vacío desde cuantificaciones de proteínas individuales hasta vías biológicamente significativas y módulos de proteínas utilizando el enfoque de biología de sistemas. Al tomar la matriz de cuantificación de proteínas expresadas diferencialmente (o las más variables) como entrada, JUMPn tiene como objetivo organizar el proteoma en una jerarquía escalonada de grupos de proteínas coexpresados a través de muestras y módulos PPI densamente conectados (por ejemplo, complejos de proteínas), que se anotan aún más con bases de datos de vías públicas mediante análisis de sobrerrepresentación (o enriquecimiento) (Figura 1). JUMPn está desarrollado con la plataforma R/Shiny40 para una interfaz fácil de usar e integra tres módulos funcionales principales: análisis de agrupación de coexpresión, análisis de enriquecimiento de vías y análisis de red PPI (Figura 1). Después de cada análisis, los resultados se visualizan automáticamente y se ajustablen a través de las funciones de widget R/shiny y se pueden descargar fácilmente como tablas de publicación en formato Microsoft Excel. En el siguiente protocolo, utilizamos datos cuantitativos de proteoma completo como ejemplo y describimos los principales pasos del uso de JUMPn, incluida la instalación del software JUMPn, la definición de proteínas expresadas diferencialmente o el proteoma (desregulado) regulado, el análisis de redes de coexpresión y el análisis del módulo PPI, la visualización e interpretación de resultados y la resolución de problemas. El software JUMPn está disponible gratuitamente en 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

Con los recientes avances en las tecnologías de proteómica basadas en espectrometría de masas, el perfil profundo de cientos de proteomas se ha vuelto cada vez más factible. Sin embargo, derivar conocimientos biológicos de conjuntos de datos tan valiosos es un desafío. Aquí presentamos un software basado en biología de sistemas JUMPn, y su protocolo asociado para organizar el proteoma en grupos de coexpresión de proteínas a través de muestras y redes de interacción proteína-proteína (PPI) conectadas por módulos (por ejemplo, complejos de proteínas). Utilizando la plataforma R/Shiny, el software JUMPn agiliza el análisis de la agrupación en clústeres de coexpresión, el enriquecimiento de vías y la detección de módulos PPI, con visualización de datos integrada y una interfaz fácil de usar. Los pasos principales del protocolo incluyen la instalación del software JUMPn, la definición de proteínas expresadas diferencialmente o el proteoma (dis)regulado, la determinación de grupos de coexpresión significativos y módulos PPI, y la visualización de resultados. Si bien el protocolo se demuestra utilizando un perfil de proteoma basado en el etiquetado isobárico, JUMPn es generalmente aplicable a una amplia gama de conjuntos de datos cuantitativos (por ejemplo, proteómica sin etiquetas). El software y el protocolo JUMPn proporcionan así una poderosa herramienta para facilitar la interpretación biológica en proteómica cuantitativa.

Utilizamos nuestros conjuntos de datos de proteómica profunda publicados 25,26,27,30 (Figuras 5 y Figura 6), así como simulaciones de datos57 (Tabla 1) para optimizar y evaluar el rendimiento de JUMPn. Para el análisis de agrupación de proteínas de coexpresión a través de WGCNA, recomenda...

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

Presentamos una herramienta de biología de sistemas JUMPn para realizar y visualizar análisis de red para datos proteómicos cuantitativos, con un protocolo detallado que incluye preprocesamiento de datos, agrupación de coexpresión, enriquecimiento de vías y análisis de red de interacción proteína-proteína.

JUMPn: Una aplicación optimizada para la agrupación de coexpresión de proteínas y el análisis de redes en proteómica

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

El protocolo del software JUMPn tiene como objetivo facilitar la interpretación biológica de los datos proteómicos cuantitativos. El software es capaz de organizar toda la proteína en una jerarquía de niveles de grupos de coexpresión y los módulos de interacción de proteínas. En particular, el software JUMPn agiliza el análisis de agrupamiento de coexpresión, enriquecimiento de vías y detección de módulos PPI.Proporciona una interfaz fácil de usar y una visualización interactiva de los datos y las redes. Si bien demostramos con éxito la aplicación de JUMPn en el análisis de datos de proteoma completo, el método es fácilmente extensible a otros tipos de datos, incluido el análisis de fosfoproteómica y los datos de interactomas de la espectrometría de masas de purificación de afinidad. Para configurar el software JUMPn, descargue el código fuente del sitio web e instale el software en el terminal de línea de comandos.Para iniciar el software JUMPn, cambie el directorio actual a la carpeta de ejecución escribiendo cd execution"en el terminal y, a continuación, escriba el texto en el terminal para iniciar el JUMPn en el navegador web. En la página de inicio de JUMPn, haga clic en el botón "Comenzar análisis" para iniciar el análisis de JUMPn, luego en la esquina inferior izquierda de la página "Comenzar análisis", haga clic en el botón Cargar datos proteómicos de células B de demostración para ver una notificación del éxito de la carga de datos. En la esquina inferior derecha de la página, haga clic en el botón Enviar análisis JUMPn para iniciar la ejecución de la demostración utilizando los parámetros predeterminados.Una barra de progreso denotará el curso del análisis. Espere hasta que se cumpla la barra de progreso. Una vez finalizada la ejecución de la demostración, aparecerá un cuadro de diálogo con el mensaje de ejecución correcta y la ruta absoluta a la carpeta de resultados, luego haga clic en la pestaña Continuar a resultados.A medida que la página web guía los resultados del clúster de coexpresión mediante el algoritmo WGCNA, haga clic en Ver resultados en la ventana de diálogo para continuar. A la izquierda de la página Resultados página 1 WGCNA Output, busque los patrones de coexpresión de proteínas y use "Seleccionar el formato de expresión" para navegar entre dos formatos de figura. La figura de Boxplot se seleccionará de forma predeterminada.Seleccione la pestaña Tendencias para mostrar la gráfica de tendencias, con cada línea representando la abundancia de proteínas individuales en todas las muestras. El color de cada línea representa qué tan cerca está el patrón de expresión del consenso del clúster de coexpresión. A la derecha de la página de salida de WGCNA, se puede ver el mapa de calor de enriquecimiento de ontología de la vía.En un mapa de calor, las vías más enriquecidas para cada clúster se mostrarán juntas. A continuación, desplácese hacia abajo en la página web para ver el patrón de expresión de proteínas individuales. Utilice el cuadro desplegable, seleccione el grupo de coexpresión para examinar las proteínas de cada grupo y, a continuación, seleccione una proteína específica en la tabla en la que se actualizará automáticamente el gráfico de barras debajo de la tabla para reflejar su abundancia de proteínas.Para nombres de proteínas específicos, use el cuadro Buscar en el lado derecho de la tabla. Más tarde, observe la interacción proteína-proteína o los resultados del IBP haciendo clic en la página de resultados 2 Salida de PPI"en la parte superior. Para obtener los resultados de un clúster de coexpresión específico, haga clic en la pestaña "Seleccionar el clúster de coexpresión".Las pantallas de todos los paneles de figuras se actualizarán para el clúster recién seleccionado. En el panel de figuras de la izquierda, vea las redes PPI para el clúster de coexpresión seleccionado mediante el cuadro desplegable seleccionar por grupo y resalte módulos PPI individuales dentro de la red, luego vaya al cuadro de formato de diseño de red seleccionado para cambiar el diseño de red. Usando el mouse y el trackpad, acerque o aleje la red PPI para ver los nombres genéticos de cada nodo de la red.Cuando se amplíe, seleccione y haga clic en una determinada proteína para resaltar la proteína y sus vecinos de red. En la red, arrastre un determinado nodo para cambiar su posición en el diseño y reorganizar el diseño de la red. En el panel derecho de la página de resultados del IPP, estudie la información a nivel de clúster de coexpresión que ayuda a la interpretación de los resultados del IBP.El patrón de coexpresión en el clúster seleccionado se puede ver como diagrama de caja de forma predeterminada. Seleccione Tendencias"para mostrar la gráfica de tendencias para el patrón de coexpresión y, a continuación, optar por la gráfica de barra de vía para mostrar vías significativamente enriquecidas para el clúster de coexpresión con la gráfica de círculo de vía, vea vías significativamente enriquecidas para el clúster de coexpresión en el formato de gráfica de círculo. Para ver los resultados en el nivel de módulo PPI individual, desplácese hacia abajo en la página de resultados hasta la página web de salida PPI y expanda el cuadro desplegable Seleccionar el módulo para seleccionar un módulo PPI específico para su visualización.Vea el módulo PPI en el panel izquierdo, manipule la pantalla de red como se explicó anteriormente. En el panel derecho, vea los resultados del enriquecimiento de la ontología de la vía, luego use la casilla desplegable Seleccionar el estilo de anotación de la ruta y marque la pestaña de gráfico de barras para mostrar más información y muestra sobre las rutas significativamente enriquecidas para el módulo PPI seleccionado. Trazar un círculo de tick para mostrar vías significativamente enriquecidas para el módulo PPI seleccionado en el formato de un diagrama de círculo y usar el mapa de calor para mostrar vías significativamente enriquecidas y los nombres de genes asociados.Vaya a la pestaña "Tabla" para mostrar los resultados detallados del enriquecimiento de la vía, incluido el nombre de las vías, los términos de ontología, los nombres de los genes y el valor P según la prueba exacta de Fisher. Siga la ruta absoluta impresa en la parte superior de las páginas de resultados y busque la tabla de hoja de cálculo de publicación. JUMPn está desarrollado con la plataforma R shiny para una interfaz fácil de usar e integra tres módulos funcionales principales.Análisis de agrupamiento de coexpresión, análisis de enriquecimiento de vías y análisis de red PPI. Después de cada análisis, los resultados se visualizan automáticamente en nuestro ajustable a través de las funciones de widget R shiny y se pueden descargar fácilmente como tablas de publicación y formato Microsoft Excel. Para el análisis de red PPI, se compiló una red PPI compuesta combinando STRING, BioPlex y en bases de datos de mensajería instantánea web.La red PPI final fusionada cubre más de 20, 000 genes humanos con 1, 100, 000 bordes. Este interactoma completo se incluye y publica en un paquete con el software JUMPn para el análisis PPI sensible. Los enfoques basados en redes que aprovechan tanto la coexpresión como las redes de interacción de proteínas se pueden utilizar como un método adicional para la inferencia de la actividad en factores de transcripción y quinasas.

Research

JoVE Journal

Biochemistry

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

Método para la identificación de inhibidores de moléculas pequeñas de la interacción proteína-proteína entre HCN1 y TRIP8b

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

Investigación

Bioquímica

Lipid Droplet Isolation for Quantitative Mass Spectrometry Analysis

Aislamiento gotas de lípidos para el análisis cuantitativo de Espectrometría de Masas

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

Tecnología de microarrays de proteínas extracelulares para detección de alto rendimiento de las interacciones ligando-Receptor de baja afinidad

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

Preparación de compartimientos los cloroplasto de Arabidopsis para el análisis de la localización de la proteína por Immunoblotting o proteómica

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

Análisis del plegamiento de la proteína, el transporte y degradación en las células vivas por pulso radiactivo 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

Detección de sitios de ubiquitinación de proteínas por enriquecimiento de péptidos y espectrometría de masas

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

Aplicación de la interferometría de Biolayer (BLI) para el estudio de las interacciones proteínas y proteínas en la transcripción

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

Cuantificación de la dinámica de la red de interacción de proteínas mediante coinmunoprecipitación multiplexada

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, una incorporación de un solo paso de proteínas de membrana en peptidiscos biotinylados para ensayos de unión a proteínas optimizadas

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

Preparación de muestras TMT para la presentación de instalaciones proteómicas y análisis de datos posteriores

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