发布时间： 2024-07-31 09:40:21
▷▷▷
虽然转录组测序和蛋白质组测序在实验方法上差异很大，但这两种方法的根本目的都是获取基因的表达情况，两者之间存在一定的共通之处。从生物学角度出发，mRNA水平可以体现基因表达的中间状态，然而蛋白质是直接的功能执行体，因此对蛋白水平表达的检测有着不可取代的作用。首先，两组学的联合分析可以获得基因的转录组与蛋白组学表达水平，实现两者的互补，对特定状态下生物体中mRNA和蛋白质表达水平进行全方位分析。其次，将转录组和蛋白组联合分析可以获得对差异表达的深层分析，挖掘受转录后调控的差异基因或差异蛋白，寻找并验证某些重要的调控通路。另外，对于那些蛋白数据库缺乏或注释不全的物种，通过转录组数据构建蛋白质搜索库，可大幅度提高蛋白质鉴定数。
题目：通过 TMT 蛋白质组学和转录组学综合分析鉴定与牙周炎有关的九种特征蛋白
杂志：Front Immunol
影响因子：IF=7.3
发表时间：2022.08.09
▷▷▷
牙周炎是一种由细菌引起的复杂炎症性疾病，以口腔牙周软组织和硬组织持续破坏为特征，是成年人牙齿脱落的主要原因。牙周炎由多种因素引起，且与多种危险因素有关，因此迫切需要探索其机制。先前的研究表明，NLRP3、转谷氨酰胺酶2（TG2）和牙周生物型是与口腔健康危险因素相关的牙周炎或口腔疾病的重要预测因子。随着组学技术的发展，各种转录组学和蛋白质组学研究已经分析了牙周炎的病理和进展。然而，仍然缺乏基于多组学分析的牙周炎精准特征分子。
来自GSE10334数据集的 183 个牙周炎样本和 64 个健康样本，以及来自GSE16134 的241 个牙周炎样本和 69 个健康样本。
首先利用定量TMT蛋白质组学对健康个体和牙周炎患者的牙龈组织进行差异表达蛋白分析，发现炎症免疫相关的簇在115个DEP中显著富集。根据蛋白质组学的蛋白质表达水平，通过LASSO分析筛选出9个中心DEP。最后，整合牙周炎的转录组学，构建了一个由9个中心DEP编码基因组成的人工神经网络（ANN）模型，并证实其可有效区分健康个体和牙周炎患者。此外，通过对人牙龈样本的蛋白质印迹法验证了参与牙周炎的9种特征蛋白。结果表明，我们研究中确定的9种特征分子的ANN网络可能与牙周炎有关，并可能为牙周炎提供新的预测或诊断模型。
▷
1、TMT 蛋白质组学分析
差异表达分析显示，健康组与牙周炎组间差异表达蛋白有115个，其中上调66个，下调49个。
▷
2、DEP 的功能表征
对所有 115 个 DEP 进行 GO 和 KEGG 富集分析，以探索其生物学功能（ 图 2C ）。结果发现与炎症和免疫功能相关的术语最为丰富，例如中性粒细胞脱颗粒、免疫反应的激活、人体免疫反应和B/T细胞受体信号通路。DEP 在 9 个重要的 GO 术语中富集，包括中性粒细胞活化参与免疫反应、免疫反应激活信号转导、经天冬酰胺的蛋白质N连接糖基化、抗原受体介导的信号通路、中间丝组织、信号肽加工、体液免疫反应、免疫反应激活细胞表面受体信号通路和B细胞受体信号通路。这些过程被定义为与牙周炎密切相关。
▷
3、DEPs 的蛋白质-蛋白质相互作用 (PPI) 网络分析
为了进一步评估已识别的 DEP 之间的相互作用，使用 STRING 网站构建了 PPI 网络。然后使用k均值聚类功能模块将DEPs的PPI网络划分为3个子网络，以了解网络的核心生物学功能(图 3B)，并利用GO富集分析识别子网络中DEPs的特征生物学过程。
▷
4、通过 LASSO 鉴定 9 种枢纽蛋白
为了进一步识别中心 DEP，我们基于健康组和牙周炎组之间的 115 个 DEP 进行了 LASSO 回归分析，发现每个类中具有非零系数的 DEP 几乎是互斥的（图 4C）。此外，9 个枢纽 DEP 之间的相互作用根据蛋白质表达水平显示在图 4D，发现GSTCD与其余蛋白质表现出强烈的负相关性，尤其是与ADPGK的负相关性最强。ADPGK还与PLCH1，HLA-DPA1和CD79A表现出负相关性。相反，CD79A，CD38，TMED5，TBXAS1，PLCH1和OGN表现出正相关性。
▷
5、GEO 转录组数据集中 9 个中心 DEP 的表达谱
为了探索这九个枢纽DEPs所对应基因的变化，作者从GEO数据库获取了转录数据，并下载了两个独立的数据集GSE10334和GSE16134进行分析。与健康组相比，编码 9 个中心 DEP 的基因作为 DEG，在两个数据集中牙周炎组牙龈组织中均存在显著差异表达（图 5B）。进一步使用基于转录组数据的 ssGSEA 方法确定了 GEO 队列中每个样本的免疫细胞浸润水平以及 9 个 DEG 与 28 种浸润免疫细胞之间的相关性（ 图 5C）。
▷
6、ANN 开发与验证
为了构建 9 个中心 DEP 的人工神经网络，分别使用GSE10334和GSE16134数据集作为训练和验证队列。随后，对 9 个中心 DEG 进行 ROC 分析，ROC 曲线结果显示，该模型对训练队列具有较高的准确率，曲线下面积 (AUC) 为 0.972 (图 6B)。同样，验证队列的 ROC 曲线的 AUC 为 0.881（图 6C），这些结果表明该9个枢纽DEP模型能够有效区分牙周炎和健康样本。
▷
7、蛋白质印迹验证
选择了九个参与牙周炎进展的枢纽 DEP，并使用人牙龈组织通过蛋白质印迹法进行了验证。患病组织中的 CD38、TMED5、HLA-DPA1、CD79A、ADPGK、TBXAS1、GSTCD 和 PLCH1 水平显著升高。然而，与健康个体相比，牙周牙龈组织中的 OGN 蛋白水平降低（图 7A , B)。这些验证结果与蛋白质组学分析数据一致。
作者首先利用定量 TMT 蛋白质组学确定了牙周炎和健康个体牙龈组织的蛋白质谱，并通过使用 LASSO 的综合蛋白质组学和转录组学分析发现了与牙周炎有关的 9 种枢纽蛋白。基于 9 种特征分子的 ANN 模型表现出令人满意的分类能力，可以区分健康患者和牙周炎患者。这项研究为预测或诊断牙周炎提供了牙龈组织中潜在特征分子的新见解。
上一篇：轻度COVID-19遗传易感性与头颈癌风险的保护作用
下一篇：40% 的 GDM 妈妈们都有这种困扰，你中招了吗？
