માઇક્રોબાયલ મેટાપ્રોટીઓમિક્સ : સેમ્પલ પ્રોસેસિંગ, ડેટા કલેક્શનથી લઈને ડેટા એનાલિસિસ સુધી

વુ એનહુઈ, કિયાઓ લિઆંગ*

રસાયણશાસ્ત્ર વિભાગ, ફુદાન યુનિવર્સિટી, શાંઘાઈ 200433, ચીન

સુક્ષ્મસજીવો માનવ રોગો અને આરોગ્ય સાથે ગાઢ સંબંધ ધરાવે છે. માઇક્રોબાયલ સમુદાયોની રચના અને તેમના કાર્યોને કેવી રીતે સમજવું એ એક મુખ્ય મુદ્દો છે જેનો તાકીદે અભ્યાસ કરવાની જરૂર છે. તાજેતરના વર્ષોમાં, મેટાપ્રોટીઓમિક્સ એ સુક્ષ્મસજીવોની રચના અને કાર્યનો અભ્યાસ કરવા માટે એક મહત્વપૂર્ણ તકનીકી માધ્યમ બની ગયું છે. જો કે, માઇક્રોબાયલ સમુદાયના નમૂનાઓની જટિલતા અને ઉચ્ચ વિજાતીયતાને લીધે, નમૂનાની પ્રક્રિયા, માસ સ્પેક્ટ્રોમેટ્રી ડેટા એક્વિઝિશન અને ડેટા વિશ્લેષણ એ મેટાપ્રોટીઓમિક્સ દ્વારા હાલમાં સામનો કરવામાં આવતા ત્રણ મુખ્ય પડકારો બની ગયા છે. મેટાપ્રોટીઓમિક્સ પૃથ્થકરણમાં, વિવિધ પ્રકારનાં નમૂનાઓની પ્રી-ટ્રીટમેન્ટને ઑપ્ટિમાઇઝ કરવા અને વિવિધ માઇક્રોબાયલ વિભાજન, સંવર્ધન, નિષ્કર્ષણ અને લિસિસ સ્કીમ્સ અપનાવવા ઘણીવાર જરૂરી છે. એક પ્રજાતિના પ્રોટીઓમની જેમ, મેટાપ્રોટીઓમિક્સમાં માસ સ્પેક્ટ્રોમેટ્રી ડેટા એક્વિઝિશન મોડ્સમાં ડેટા-ડિપેન્ડન્ટ એક્વિઝિશન (DDA) મોડ અને ડેટા-ઈન્ડિપેન્ડન્ટ એક્વિઝિશન (DIA) મોડનો સમાવેશ થાય છે. DIA ડેટા એક્વિઝિશન મોડ સેમ્પલની પેપ્ટાઈડ માહિતીને સંપૂર્ણપણે એકત્રિત કરી શકે છે અને તેમાં વિકાસની મોટી સંભાવના છે. જો કે, મેટાપ્રોટીઓમ નમૂનાઓની જટિલતાને લીધે, તેનું DIA ડેટા વિશ્લેષણ એક મોટી સમસ્યા બની ગયું છે જે મેટાપ્રોટીઓમિક્સના ઊંડા કવરેજને અવરોધે છે. ડેટા વિશ્લેષણની દ્રષ્ટિએ, સૌથી મહત્વપૂર્ણ પગલું એ પ્રોટીન ક્રમ ડેટાબેઝનું નિર્માણ છે. ડેટાબેઝનું કદ અને સંપૂર્ણતા માત્ર ઓળખની સંખ્યા પર જ નહીં, પણ પ્રજાતિઓ અને કાર્યાત્મક સ્તરે વિશ્લેષણને પણ અસર કરે છે. હાલમાં, મેટાપ્રોટીઓમ ડેટાબેઝના નિર્માણ માટે ગોલ્ડ સ્ટાન્ડર્ડ મેટાજેનોમ પર આધારિત પ્રોટીન સિક્વન્સ ડેટાબેઝ છે. તે જ સમયે, પુનરાવર્તિત શોધ પર આધારિત જાહેર ડેટાબેઝ ફિલ્ટરિંગ પદ્ધતિ પણ મજબૂત વ્યવહારુ મૂલ્ય ધરાવે છે તેવું સાબિત થયું છે. ચોક્કસ ડેટા વિશ્લેષણ વ્યૂહરચનાઓના પરિપ્રેક્ષ્યમાં, પેપ્ટાઇડ-કેન્દ્રિત DIA ડેટા વિશ્લેષણ પદ્ધતિઓએ સંપૂર્ણ મુખ્ય પ્રવાહ પર કબજો કર્યો છે. ઊંડા શિક્ષણ અને કૃત્રિમ બુદ્ધિના વિકાસ સાથે, તે મેક્રોપ્રોટીઓમિક ડેટા વિશ્લેષણની ચોકસાઈ, કવરેજ અને વિશ્લેષણની ગતિને મોટા પ્રમાણમાં પ્રોત્સાહન આપશે. ડાઉનસ્ટ્રીમ બાયોઇન્ફોર્મેટિક્સ વિશ્લેષણના સંદર્ભમાં, તાજેતરના વર્ષોમાં ટીકા સાધનોની શ્રેણી વિકસાવવામાં આવી છે, જે માઇક્રોબાયલ સમુદાયોની રચના મેળવવા માટે પ્રોટીન સ્તર, પેપ્ટાઇડ સ્તર અને જનીન સ્તર પર જાતિની ટીકા કરી શકે છે. અન્ય ઓમિક્સ પદ્ધતિઓની તુલનામાં, માઇક્રોબાયલ સમુદાયોનું કાર્યાત્મક વિશ્લેષણ એ મેક્રોપ્રોટીઓમિક્સનું વિશિષ્ટ લક્ષણ છે. મેક્રોપ્રોટીઓમિક્સ એ માઇક્રોબાયલ સમુદાયોના મલ્ટી-ઓમિક્સ વિશ્લેષણનો એક મહત્વપૂર્ણ ભાગ બની ગયો છે, અને હજુ પણ કવરેજ ઊંડાઈ, શોધ સંવેદનશીલતા અને ડેટા વિશ્લેષણની સંપૂર્ણતાના સંદર્ભમાં વિકાસની મોટી સંભાવના ધરાવે છે.

01 નમૂના પૂર્વ સારવાર

હાલમાં, માનવ માઇક્રોબાયોમ, માટી, ખોરાક, સમુદ્ર, સક્રિય કાદવ અને અન્ય ક્ષેત્રોના સંશોધનમાં મેટાપ્રોટીઓમિક્સ ટેકનોલોજીનો વ્યાપકપણે ઉપયોગ થાય છે. એક પ્રજાતિના પ્રોટીઓમ વિશ્લેષણની તુલનામાં, જટિલ નમૂનાઓના મેટાપ્રોટીઓમના નમૂના પ્રીટ્રીટમેન્ટમાં વધુ પડકારોનો સામનો કરવો પડે છે. વાસ્તવિક નમૂનાઓમાં માઇક્રોબાયલ કમ્પોઝિશન જટિલ છે, વિપુલતાની ગતિશીલ શ્રેણી મોટી છે, વિવિધ પ્રકારના સુક્ષ્મસજીવોની કોષ દિવાલની રચના ખૂબ જ અલગ છે, અને નમૂનાઓમાં મોટાભાગે યજમાન પ્રોટીન અને અન્ય અશુદ્ધિઓનો મોટો જથ્થો હોય છે. તેથી, મેટાપ્રોટીઓમના વિશ્લેષણમાં, વિવિધ પ્રકારના નમૂનાઓને ઑપ્ટિમાઇઝ કરવા અને વિવિધ માઇક્રોબાયલ વિભાજન, સંવર્ધન, નિષ્કર્ષણ અને લિસિસ યોજનાઓ અપનાવવા ઘણીવાર જરૂરી છે.

વિવિધ નમૂનાઓમાંથી માઇક્રોબાયલ મેટાપ્રોટીઓમના નિષ્કર્ષણમાં કેટલીક સમાનતાઓ તેમજ કેટલાક તફાવતો છે, પરંતુ હાલમાં વિવિધ પ્રકારના મેટાપ્રોટીઓમ નમૂનાઓ માટે એકીકૃત પૂર્વ-પ્રક્રિયા પ્રક્રિયાનો અભાવ છે.

02 માસ સ્પેક્ટ્રોમેટ્રી ડેટા એક્વિઝિશન

શોટગન પ્રોટીઓમ વિશ્લેષણમાં, પ્રીટ્રીટમેન્ટ પછી પેપ્ટાઇડ મિશ્રણને પ્રથમ ક્રોમેટોગ્રાફિક કોલમમાં અલગ કરવામાં આવે છે, અને પછી આયનીકરણ પછી ડેટા સંપાદન માટે માસ સ્પેક્ટ્રોમીટરમાં પ્રવેશ કરે છે. એક પ્રજાતિના પ્રોટીઓમ વિશ્લેષણની જેમ, મેક્રોપ્રોટીઓમ વિશ્લેષણમાં માસ સ્પેક્ટ્રોમેટ્રી ડેટા એક્વિઝિશન મોડ્સમાં DDA મોડ અને DIA મોડનો સમાવેશ થાય છે.

માસ સ્પેક્ટ્રોમેટ્રી સાધનોના સતત પુનરાવર્તન અને અપડેટ સાથે, ઉચ્ચ સંવેદનશીલતા અને રીઝોલ્યુશનવાળા માસ સ્પેક્ટ્રોમેટ્રી સાધનો મેટાપ્રોટીઓમ પર લાગુ થાય છે, અને મેટાપ્રોટીઓમ વિશ્લેષણની કવરેજ ઊંડાઈમાં પણ સતત સુધારો કરવામાં આવે છે. લાંબા સમયથી, મેટાપ્રોટીઓમમાં ઓર્બિટ્રેપના નેતૃત્વમાં ઉચ્ચ-રિઝોલ્યુશન માસ સ્પેક્ટ્રોમેટ્રી સાધનોની શ્રેણીનો વ્યાપકપણે ઉપયોગ કરવામાં આવે છે.

મૂળ લખાણનું કોષ્ટક 1 મેટાપ્રોટીઓમિક્સ પર 2011 થી અત્યાર સુધીના નમૂનાના પ્રકાર, વિશ્લેષણ વ્યૂહરચના, માસ સ્પેક્ટ્રોમેટ્રી સાધન, સંપાદન પદ્ધતિ, વિશ્લેષણ સોફ્ટવેર અને ઓળખની સંખ્યાના સંદર્ભમાં કેટલાક પ્રતિનિધિ અભ્યાસો દર્શાવે છે.

03 માસ સ્પેક્ટ્રોમેટ્રી ડેટા વિશ્લેષણ

3.1 DDA ડેટા વિશ્લેષણ વ્યૂહરચના

3.1.1 ડેટાબેઝ શોધ

3.1.2નવોઅનુક્રમ વ્યૂહરચના

3.2 DIA ડેટા વિશ્લેષણ વ્યૂહરચના

04પ્રજાતિ વર્ગીકરણ અને કાર્યાત્મક ટીકા

વિવિધ વર્ગીકરણ સ્તરે માઇક્રોબાયલ સમુદાયોની રચના એ માઇક્રોબાયોમ સંશોધનમાં મુખ્ય સંશોધન ક્ષેત્રોમાંનું એક છે. તાજેતરના વર્ષોમાં, માઇક્રોબાયલ સમુદાયોની રચના મેળવવા માટે પ્રોટીન સ્તર, પેપ્ટાઇડ સ્તર અને જનીન સ્તર પર જાતિઓની ટીકા કરવા માટે શ્રેણીબદ્ધ ટીકા સાધનો વિકસાવવામાં આવ્યા છે.

કાર્યાત્મક એનોટેશનનો સાર એ કાર્યાત્મક પ્રોટીન ક્રમ ડેટાબેઝ સાથે લક્ષ્ય પ્રોટીન ક્રમની તુલના કરવાનો છે. GO, COG, KEGG, eggNOG, વગેરે જેવા જીન ફંક્શન ડેટાબેઝનો ઉપયોગ કરીને, મેક્રોપ્રોટીઓમ્સ દ્વારા ઓળખાતા પ્રોટીન પર વિવિધ કાર્યાત્મક ટીકા વિશ્લેષણ કરી શકાય છે. એનોટેશન ટૂલ્સમાં Blast2GO, DAVID, KOBAS વગેરેનો સમાવેશ થાય છે.

05સારાંશ અને આઉટલુક

સુક્ષ્મસજીવો માનવ આરોગ્ય અને રોગમાં મહત્વપૂર્ણ ભૂમિકા ભજવે છે. તાજેતરના વર્ષોમાં, મેટાપ્રોટીઓમિક્સ એ માઇક્રોબાયલ સમુદાયોના કાર્યનો અભ્યાસ કરવા માટે એક મહત્વપૂર્ણ તકનીકી માધ્યમ બની ગયું છે. મેટાપ્રોટીઓમિક્સની વિશ્લેષણાત્મક પ્રક્રિયા એકલ-પ્રજાતિના પ્રોટીઓમિક્સ જેવી જ છે, પરંતુ મેટાપ્રોટીઓમિક્સના સંશોધન પદાર્થની જટિલતાને કારણે, નમૂના પ્રીટ્રીટમેન્ટ, ડેટા સંપાદનથી લઈને ડેટા વિશ્લેષણ સુધીના દરેક વિશ્લેષણ પગલામાં ચોક્કસ સંશોધન વ્યૂહરચનાઓ અપનાવવાની જરૂર છે. હાલમાં, પ્રીટ્રીટમેન્ટ પદ્ધતિઓમાં સુધારો, માસ સ્પેક્ટ્રોમેટ્રી ટેક્નોલોજીની સતત નવીનતા અને બાયોઇન્ફોર્મેટિક્સના ઝડપી વિકાસને કારણે, મેટાપ્રોટીઓમિક્સે ઓળખની ઊંડાઈ અને એપ્લિકેશનના અવકાશમાં ઘણી પ્રગતિ કરી છે.

મેક્રોપ્રોટીઓમ નમૂનાઓની પૂર્વ-સારવારની પ્રક્રિયામાં, નમૂનાની પ્રકૃતિને પ્રથમ ધ્યાનમાં લેવી આવશ્યક છે. પર્યાવરણીય કોષો અને પ્રોટીનમાંથી સુક્ષ્મસજીવોને કેવી રીતે અલગ કરવું એ મેક્રોપ્રોટીઓમ સામેના મુખ્ય પડકારોમાંનો એક છે, અને વિભાજન કાર્યક્ષમતા અને માઇક્રોબાયલ નુકશાન વચ્ચેનું સંતુલન એ એક તાકીદની સમસ્યા છે જેનો ઉકેલ લાવવામાં આવે છે. બીજું, સુક્ષ્મસજીવોના પ્રોટીન નિષ્કર્ષણમાં વિવિધ બેક્ટેરિયાના માળખાકીય વિજાતીયતાને કારણે થતા તફાવતોને ધ્યાનમાં લેવા જોઈએ. ટ્રેસ રેન્જમાં મેક્રોપ્રોટીઓમ નમૂનાઓને પણ ચોક્કસ પૂર્વ-સારવાર પદ્ધતિઓની જરૂર હોય છે.

માસ સ્પેક્ટ્રોમેટ્રી સાધનોના સંદર્ભમાં, મુખ્ય પ્રવાહના માસ સ્પેક્ટ્રોમેટ્રી સાધનો ઓર્બિટ્રેપ માસ વિશ્લેષકો જેવા કે LTQ-ઓર્બિટ્રેપ અને Q એક્ઝેક્ટિવ પર આધારિત માસ સ્પેક્ટ્રોમીટરથી આયન ગતિશીલતા પર આધારિત માસ સ્પેક્ટ્રોમીટરમાં સંક્રમણમાંથી પસાર થયા છે અને ટાઈમ-ઓફ-ફ્લાઇટ માસ વિશ્લેષકો જેમ કે ટિમ્સટોએફ. . આયન ગતિશીલતા પરિમાણ માહિતી સાથેના સાધનોની timsTOF શ્રેણીમાં ઉચ્ચ શોધ ચોકસાઈ, ઓછી તપાસ મર્યાદા અને સારી પુનરાવર્તિતતા છે. તેઓ ધીમે ધીમે વિવિધ સંશોધન ક્ષેત્રોમાં મહત્વપૂર્ણ સાધનો બની ગયા છે જેને સામૂહિક સ્પેક્ટ્રોમેટ્રી શોધની જરૂર છે, જેમ કે પ્રોટીઓમ, મેટાપ્રોટીઓમ અને એક જ પ્રજાતિના મેટાબોલોમ. તે નોંધવું યોગ્ય છે કે લાંબા સમયથી, માસ સ્પેક્ટ્રોમેટ્રી સાધનોની ગતિશીલ શ્રેણીએ મેટાપ્રોટીઓમ સંશોધનની પ્રોટીન કવરેજની ઊંડાઈને મર્યાદિત કરી છે. ભવિષ્યમાં, મોટી ગતિશીલ શ્રેણી સાથે માસ સ્પેક્ટ્રોમેટ્રી સાધનો મેટાપ્રોટીઓમ્સમાં પ્રોટીન ઓળખની સંવેદનશીલતા અને ચોકસાઈને સુધારી શકે છે.

સામૂહિક સ્પેક્ટ્રોમેટ્રી ડેટા એક્વિઝિશન માટે, જોકે એક જ પ્રજાતિના પ્રોટીઓમમાં DIA ડેટા એક્વિઝિશન મોડને વ્યાપકપણે અપનાવવામાં આવ્યો છે, મોટાભાગના વર્તમાન મેક્રોપ્રોટીઓમ વિશ્લેષણ હજુ પણ DDA ડેટા એક્વિઝિશન મોડનો ઉપયોગ કરે છે. DIA ડેટા એક્વિઝિશન મોડ નમૂનાની ફ્રેગમેન્ટ આયન માહિતીને સંપૂર્ણપણે મેળવી શકે છે, અને DDA ડેટા એક્વિઝિશન મોડની તુલનામાં, તે મેક્રોપ્રોટીઓમ નમૂનાની પેપ્ટાઇડ માહિતીને સંપૂર્ણ રીતે મેળવવાની ક્ષમતા ધરાવે છે. જો કે, ડીઆઈએ ડેટાની ઉચ્ચ જટિલતાને કારણે, ડીઆઈએ મેક્રોપ્રોટીઓમ ડેટાનું વિશ્લેષણ હજુ પણ મોટી મુશ્કેલીઓનો સામનો કરી રહ્યું છે. કૃત્રિમ બુદ્ધિમત્તા અને ઊંડા શિક્ષણના વિકાસથી DIA ડેટા વિશ્લેષણની ચોકસાઈ અને સંપૂર્ણતામાં સુધારો થવાની અપેક્ષા છે.

મેટાપ્રોટીઓમિક્સના ડેટા વિશ્લેષણમાં, મુખ્ય પગલાઓમાંનું એક પ્રોટીન સિક્વન્સ ડેટાબેઝનું નિર્માણ છે. આંતરડાની વનસ્પતિ જેવા લોકપ્રિય સંશોધન ક્ષેત્રો માટે, IGC અને HMP જેવા આંતરડાના માઇક્રોબાયલ ડેટાબેસેસનો ઉપયોગ કરી શકાય છે, અને સારા ઓળખ પરિણામો પ્રાપ્ત થયા છે. મોટાભાગના અન્ય મેટાપ્રોટીઓમિક્સ વિશ્લેષણો માટે, સૌથી અસરકારક ડેટાબેઝ બાંધકામ વ્યૂહરચના હજુ પણ મેટાજેનોમિક સિક્વન્સિંગ ડેટાના આધારે નમૂના-વિશિષ્ટ પ્રોટીન ક્રમ ડેટાબેઝ સ્થાપિત કરવાની છે. ઉચ્ચ જટિલતા અને વિશાળ ગતિશીલ શ્રેણી સાથેના માઇક્રોબાયલ સમુદાયના નમૂનાઓ માટે, ઓછી વિપુલતાવાળી પ્રજાતિઓની ઓળખ વધારવા માટે અનુક્રમની ઊંડાઈ વધારવી જરૂરી છે, જેનાથી પ્રોટીન સિક્વન્સ ડેટાબેઝના કવરેજમાં સુધારો થાય છે. જ્યારે સિક્વન્સિંગ ડેટાનો અભાવ હોય, ત્યારે સાર્વજનિક ડેટાબેઝને ઑપ્ટિમાઇઝ કરવા માટે પુનરાવર્તિત શોધ પદ્ધતિનો ઉપયોગ કરી શકાય છે. જો કે, પુનરાવર્તિત શોધ FDR ગુણવત્તા નિયંત્રણને અસર કરી શકે છે, તેથી શોધ પરિણામોને કાળજીપૂર્વક તપાસવાની જરૂર છે. વધુમાં, મેટાપ્રોટીઓમિક્સ વિશ્લેષણમાં પરંપરાગત એફડીઆર ગુણવત્તા નિયંત્રણ મોડલ્સની પ્રયોજ્યતા હજુ પણ અન્વેષણ કરવા યોગ્ય છે. શોધ વ્યૂહરચનાના સંદર્ભમાં, હાઇબ્રિડ સ્પેક્ટ્રલ લાઇબ્રેરી વ્યૂહરચના DIA મેટાપ્રોટીઓમિક્સની કવરેજ ઊંડાઈને સુધારી શકે છે. તાજેતરના વર્ષોમાં, ડીપ લર્નિંગના આધારે જનરેટ કરાયેલ અનુમાનિત સ્પેક્ટ્રલ લાઇબ્રેરીએ DIA પ્રોટીઓમિક્સમાં શ્રેષ્ઠ પ્રદર્શન દર્શાવ્યું છે. જો કે, મેટાપ્રોટીઓમ ડેટાબેઝમાં ઘણી વખત લાખો પ્રોટીન એન્ટ્રીઓ હોય છે, જેના પરિણામે મોટા પાયે અનુમાનિત સ્પેક્ટ્રલ લાઇબ્રેરીઓ આવે છે, ઘણા બધા કમ્પ્યુટિંગ સંસાધનો વાપરે છે અને મોટી શોધ જગ્યામાં પરિણમે છે. વધુમાં, મેટાપ્રોટીઓમ્સમાં પ્રોટીન સિક્વન્સ વચ્ચેની સમાનતા મોટા પ્રમાણમાં બદલાય છે, જે સ્પેક્ટ્રલ લાઇબ્રેરી પ્રિડિક્શન મોડલની ચોકસાઈને સુનિશ્ચિત કરવાનું મુશ્કેલ બનાવે છે, તેથી મેટાપ્રોટીઓમિક્સમાં અનુમાનિત સ્પેક્ટ્રલ લાઇબ્રેરીઓનો વ્યાપક ઉપયોગ કરવામાં આવ્યો નથી. વધુમાં, ઉચ્ચ ક્રમ-સમાન પ્રોટીનના મેટાપ્રોટીઓમિક્સ વિશ્લેષણને લાગુ કરવા માટે નવી પ્રોટીન અનુમાન અને વર્ગીકરણ એનોટેશન વ્યૂહરચનાઓ વિકસાવવાની જરૂર છે.

સારાંશમાં, એક ઉભરતી માઇક્રોબાયોમ રિસર્ચ ટેક્નોલોજી તરીકે, મેટાપ્રોટીઓમિક્સ ટેક્નોલોજીએ નોંધપાત્ર સંશોધન પરિણામો હાંસલ કર્યા છે અને તેમાં વિકાસની વિશાળ સંભાવનાઓ પણ છે.