Deep Protein Methylation Profiling by Combined Chemical and Immunoaffinity Approaches Reveals Novel PRMT1 Targets (结合层析法和免疫沉淀法的蛋白甲基化的深度检测技术发现了PRMT1新的靶标蛋白)

题目:Deep Protein Methylation Profiling by Combined Chemical and Immunoaffinity Approaches Reveals Novel PRMT1 Targets (结合层析法和免疫沉淀法的蛋白甲基化的深度检测技术发现了PRMT1新的靶标蛋白)

期刊名:Molecular & Cellular Proteomics (MCP)

发表日期:2019.11.1

IF: 4.828

DOI:10.1074/mcp.RA119.001625

作者及单位:

1、 Nicolas G. Hartel;Mork Family Department of Chemical Engineering and Materials Science

2、 Brandon Chew;Mork Family Department of Chemical Engineering and Materials Science

3、 Jian Qin;Center for Craniofacial Molecular Biology,Herman Ostrow School of Dentistry

4、 Jian Xu;Center for Craniofacial Molecular Biology,Herman Ostrow School of Dentistry

5、 Nicholas A. Graham(通讯作者);Mork Family Department of Chemical Engineering and Materials Science,Norris Comprehensive Cancer Center, University of Southern California, Los Angeles, California

一、 概述

蛋白质甲基化在很多生物过程中起着重要的作用,包括信号转导、代谢以及转录调控,但受制于技术的限制,目前还缺少在全局对所有蛋白的甲基化程度进行深度检测。蛋白甲基化含有多种修饰形式,主要发生在精氨酸和赖氨酸上,在赖氨酸上有三种修饰形式,分别为单甲基化(Kme1)、二甲基化(Kme2)和三甲基化(Kme3);精氨酸上的修饰形式也是三种,分别为单甲基化(monomethyl,MMA)、不对称二甲基化(asymmetric methyl, ADMA)和对称二甲基化(symmetric methyl, SDMA)。目前导致甲基化修饰的研究落后于其他修饰的主要原因在于缺乏成熟的甲基化肽段富集方法,常用的甲基化肽段检测方法主要是基于抗体对甲基化肽段的富集,但目前的抗体质量及特异性还有待提高;另一方面,当赖氨酸及精氨酸上发生甲基化修饰后,往往会影响胰蛋白酶的酶解,导致肽段的漏切,从而时甲基化肽段带电量增加,用强阳离子交换柱可以对甲基化肽段进行相对富集,这两种甲基化肽段的富集方法还没有进行过严谨的比较。

本篇研究比较了两种不同甲基化富集方法的效率,发现两者之间具有较好的正交性,可以互补,随后结合了两种富集方法对蛋白精氨酸甲基转移酶1(protein arginine methyltransferase 1, PRMT1)在细胞内形式甲基化功能的靶标做了全面的研究。

二、 实验方法及流程

1、以293T细胞为材料,转入shPRMT1质粒来敲除PRMT1蛋白,并经过WB验证敲除效率;同时采用SCX法和免疫亲和法(IAP)对相同样品做处理,最终使用质谱进行检测,随后对结果进行定性和定量分析,每个样本都有两次生物重复,流程如图所示:

2、对于ADMA和SDMA两种甲基化修饰,采用中性丢失的搜库方法加以区分,原理及实际质谱图如下图所示:

在二级碎裂中,精氨酸上的胍基有概率在图示部分被打断,产生一个中性丢失集团,当精氨酸上的甲基化修饰类型不同时,掉下来的中性集团分子量也不同,通过这个特征可以将ADMA和SDMA有效的做出区分

三、 研究成果

1、 SCX和IAP可富集到不同的甲基化肽段

将结果只按照富集方法,而不考虑是否敲除PRMT1蛋白来分析时发现,两种富集方法鉴定到的不同类型甲基化肽段的交集均较低,图B展示了不同方法鉴定到甲基化肽段的PSM数,图C为两种方法甲基化肽段的交集

进一步对两种方法富集到的甲基化肽段及蛋白进行分析后发现,不同方法富集到的甲基化蛋白在GO分类中的功能也有不同,除了被熟知的RNA结合功能的甲基化蛋白是在两种方法都可以被富集到外,SCX富集到的甲基化蛋白更多参与酶活性,而IAP富集到的甲基化蛋白则更多参与基因表达调控相关过程(图D)。除此之外,IAP方法富集的甲基化肽段主要是只含有1个甲基化位点,而SCX富集到的含2、3个甲基化位点的甲基化肽段的比例较IAP更高(图E)。

2、 甲基化肽段的定量结果

通过maxquant对数据进行label free的方法定量后,首先对定量结果的可重现性进行了分析,结果显示两次生物重复之间的甲基化肽段定量具有较高的相关性(皮尔森相关系数可达到0.85~0.95)(图展示部分结果)。

确定了在两个生物重复之间定量重复性之后,作者探究了在PRMT1蛋白敲除的情况下不同甲基化修饰在表达量水平发生的变化:

1) 精氨酸单甲基化(MMA)肽段的定量分析

PRMT1被报道参与了超过90%的精氨酸ADMA修饰的发生,然而在这篇文章中,作者发现同样对MMA也有影响,通过定量分析,在PRMT1敲除的样本中有61条MMA肽段显著上调和58条MMA肽段显著下调,这119条显著变化的MMA肽段中,只有5条是来自于SCX方法富集,剩余均来自于IAP方法。

通过对显著变化的MMA肽段的序列分析发现,在发生修饰的精氨酸周围有相对稳定的氨基酸排列模式RGG,且在-4,-2位置更偏向于是丝氨酸,+3位置更偏向于酪氨酸这种侧链具有反应活性的氨基酸。

GO分析表明,显著变化的MMA肽段对应的蛋白主要参与mRNA代谢途径和mRNA的剪切。

2)精氨酸二甲基化(DMA)肽段的定量分析

作者首先验证了利用中性丢失的方法鉴定ADMA和SDMA肽段的准确性,他们使用人工合成的ADMA和SDMA数据,使用中性丢失的搜库方法分析后发现,虽然只能鉴定到数据中54.9%的ADMA和73.1%SDMA,但正确率几乎可以达到100%,只鉴定到一条数据中不存在的肽段(图C)。随后他们用这种方法对自己产出的数据进行了分析,结果如图D。

随后对不同富集方法得到的ADMA和SDMA肽段在PRMT1敲除样本中的表达量变化进行了分析,下方火山图依次列出SCX、ADMA\IAP和SDMA\IAP三种富集结果中二甲基化的表达量变化。由图可以看出,虽然有很多肽段在PRMT1敲除样本中的表达量发生剧烈的变化,但通过permutation t test后FDR<0.05的肽段并不多,作者在文章中对此现象做解释。于MMA分析类似,对于DMA的结果,作者同样对发生变化的肽段序列进行了分析和GO功能聚类,不过并没有得到MMA中较为明确的序列特征,但可以看出发生二甲基化表达量变化的蛋白所参与的生物过程于单甲基化是明显不同的。

3、 整合所有精氨酸甲基化定量结果,从而找到PRMT1新的靶标蛋白

因为已有的研究表面PRMT1是催化二甲基化的产生,作者在这里提出两个条件作为新PRMT1靶标蛋白应该具有的特征:1)因为PRMT1可以同时影响MMA的表达,且在PRMT1敲除后有大量MMA肽段发生上调,所以作者认为只有在PRMT1敲除后ADMA水平下调,但MMA水平上调的蛋白才是只受PRMT1直接作用的靶标;2)因为精氨酸的二甲基化会提高漏切的产生,所以作者重点考虑在产生ADMA修饰的肽段发生漏切和没有漏切的肽段比例;

结合以上标准,作者最终发现SON R996具有很高的可信度成为PRMT1的靶标。

四、 文章亮点

个人认为,本篇文章的主要贡献有三点:1)通过比较系统的比较SCX和IAP富集的方法,证明了两种方法在甲基化肽段的富集上具有很好的正交性,提示未来对于甲基化肽段的鉴定应该要考虑结合两种方法同时进行;2)通过中性丢失的搜库方法可以有效的鉴定和区分精氨酸上的对称二甲基化和非对称二甲基化;3)通过对PRMT1蛋白的敲除与未敲除的蛋白质甲基化定量比较,拓宽了对PRMT1新的理解,并找到了可能的新靶标蛋白,为之后要从事类似研究的人员提供了思路。

分享人:张宇星

原文地址:https://www.cnblogs.com/ilifeiscience/p/12015753.html

时间: 2024-08-04 00:38:42

Deep Protein Methylation Profiling by Combined Chemical and Immunoaffinity Approaches Reveals Novel PRMT1 Targets (结合层析法和免疫沉淀法的蛋白甲基化的深度检测技术发现了PRMT1新的靶标蛋白)的相关文章

DPI (Deep Packet Inspection) 深度包检测技术

详解DPI与网络回溯分析技术 随着网络通讯技术进步与发展,网络通讯已跨入大数据时代,如何监控各类业务系统的通讯数据在大数据流量中传输质量,以及针对海量的网络通讯数据的范畴中存在少量的恶意流量的检测,避免恶意通讯对主机.网络设备的root权限的安全威胁,和通讯内容的窃取.是网络管理必须面对的一个难题. 有攻击的矛,自有防御的盾,这是自然发展的规律.针对大数据的来临,传统的实时检测与防御已不能胜任对海量数据中存在细微异常的甄别.为此,对原始通讯数据的实时备份逐渐彰显出其必要性,而基于时间窗口的回溯分

2014年天津市第一批科技计划项目

一.应用基础与前沿技术研究计划青年项目 序号 项目名称 承担单位 项  目 负责人 1 基于多分辨率的流体细节增强与交互编辑技术研究 天津大学天津市认知计算与应用重点实验室 刘世光 2 基于模式图的云数据检索关键技术研究 南开大学信息技术科学学院 温延龙 3 随机风险Petri网理论及在供应链建模中的应用 天津科技大学计算机科学与信息工程学院 蔡润身 4 结合人物模型的社会媒体话题传播与影响力分析及预测 天津大学天津市认知计算与应用重点实验室 王博 5 不确定云计算环境下调度算法的敏感度分析及优

CRISPR技术操作指南

zz : http://www.biomart.cn/news/10/104217.htm 十年前,当研究人员开始解析细菌和古细菌中一个称为 CRISPR 结构的时候,他们并没有预料到这会给基因编辑世界带来一场风暴.在过去的这一年半时间里,CRISPR 方法已迅速席卷了整个动物王国,成为 DNA 突变和编辑的一种“马上”技术——迄今为止在几乎每种实验细胞类型中都能起作用,包括人类细胞,小鼠,斑马鱼和果蝇细胞:这种技术也易于操作,已经有两个研究组利用 CRISPR 分析了人类细胞中几乎每个基因单突

项目一:基于自编码器的药靶关系预测

一. 研究背景 药物研发领域,利用已知药物和靶标蛋白的相互作用关系建模.针对特定疾病的蛋白质可以找到与之作用的高亲和力的药物.传统方法考虑分子结构之间的相互对接,这依赖于药物分子和蛋白质的化学作用. 本项目基于深度学习,挖掘药物分子和蛋白质之间的相互作用关系,通过特征提取和组和来完成. 二. 数据集及其描述 本项目完成关于药物分子和靶蛋白之间的亲和力预测.属于一个(二分类问题),使用的数据集来源于BinDing DB.它提供了药物分子的结构(一种SMILES字符串),靶蛋白提供其氨基酸序列(字符

知识图谱研究进展

在原文<知识图谱研究进展>基础上上做了相应的调整和补充 本文首先简要回顾知识图谱的历史,探讨知识图谱研究的意义.其次,介绍知识图谱构建的关键技术,包括实体关系识别技术.知识融合技术.实体链接技术和知识推理技术等.然后,给出现有开放的知识图谱数据集的介绍.最后,给出知识图谱在情报分析中的应用案例. - 漆桂林.高桓.吴天星 东南大学计算机科学与工程学院 本文节选自<情报工程>2017 年第 1 期,知识图谱专题稿件. 1 知识图谱构建技术 ??本节首先给出知识图谱的技术地图,然后介绍

(转)分布式深度学习系统构建 简介 Distributed Deep Learning

HOME ABOUT CONTACT SUBSCRIBE VIA RSS DEEP LEARNING FOR ENTERPRISE Distributed Deep Learning, Part 1: An Introduction to Distributed Training of Neural Networks Oct 3, 2016 3:00:00 AM / by Alex Black and Vyacheslav Kokorin Tweet inShare27   This post

Deep Learning(深度学习)学习笔记整理

申明:本文非笔者原创,原文转载自:http://www.sigvc.org/bbs/thread-2187-1-3.html 4.2.初级(浅层)特征表示 既然像素级的特征表示方法没有作用,那怎样的表示才有用呢? 1995 年前后,Bruno Olshausen和 David Field 两位学者任职 Cornell University,他们试图同时用生理学和计算机的手段,双管齐下,研究视觉问题. 他们收集了很多黑白风景照片,从这些照片中,提取出400个小碎片,每个照片碎片的尺寸均为 16x1

Deep Learning for Natural Language Processing1

Focus, Follow, and Forward Stanford CS224d 课程笔记 Lecture1 Stanford CS224d 课程笔记 Lecture1 Stanford大学在2015年开设了一门Deep Learning for Natural Language Processing的课程,广受好评.并在2016年春季再次开课.我将开始这门课程的学习,并做好每节课的课程笔记放在博客上.争取做到每周一更吧.本文是第一篇. NLP简介 NLP,全名Natural Languag

Deep Learning(深度学习)学习笔记整理系列之(八)

Deep Learning(深度学习)学习笔记整理系列 [email protected] http://blog.csdn.net/zouxy09 作者:Zouxy version 1.0 2013-04-08 声明: 1)该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的.具体引用的资料请看参考文献.具体的版本声明也参考原文献. 2)本文仅供学术交流,非商用.所以每一部分具体的参考资料并没有详细对应.如果某部分不小心侵犯了大家的利益,还望海涵,并联系博主