گردش کار منبع باز استفاده از پروتئومیک فضایی را آسان تر می کند

توسط مرکز پزشکی مولکولی ماکس دلبروک

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

Fabian Coscia و تیمش در Nature Methods یک گردش کار منبع باز منتشر کرده‌اند که استفاده، تطبیق و مقیاس‌بندی Deep Visual Proteomics را آسان‌تر می‌کند. OpenDVP دانشمندان را قادر می‌سازد تا هزاران پروتئین را در داخل سلول‌ها و محیط سلولی آن‌ها نقشه‌برداری کنند و در عین حال بافت بافتی آن‌ها را حفظ کنند.

ماهواره‌های تجاری امروزی می‌توانند مناظری را با سطحی از جزئیات غیرقابل تصور در 20 سال پیش تصویر کنند: آن‌ها درختان منفرد، شکاف‌های زیرساختی و حتی جزئیات علائم راه را ثبت می‌کنند.

در تحقیقات پروتئومی، Deep Visual Proteomics (DVP) دانشمندان را قادر می‌سازد تا کاری مشابه در مقیاس سلولی و مولکولی انجام دهند - آنها می‌توانند روی سلول‌ها و جوامع سلولی انتخاب‌شده زوم کنند و هزاران پروتئین را اندازه‌گیری کنند و در عین حال اطلاعات مربوط به محل قرارگیری آن سلول‌ها در بافت را حفظ کنند.

اکنون محققان در آزمایشگاه Spatial Proteomics به سرپرستی Coscia در مرکز Max Delbrück، اولین گردش کار منبع باز پایان به انتها به نام openDVP را ساخته اند تا استفاده، تطبیق و مقیاس این فناوری را آسان تر کنند.

آزمایشگاه Coscia روش DVP را که برای اولین بار در سال 2022 منتشر شد، توسعه داد. کوشیا، نویسنده ارشد مطالعه openVP توضیح می دهد که بر اساس تازگی مفهومی روش و تأثیر ترجمه اثبات شده آن، Nature Methods آن را به عنوان "روش سال 2024" در پروتئومیکس فضایی برجسته کرده است.

او می افزاید: «ما بسیار هیجان زده هستیم که این روش در چند سال اخیر پیشرفت کرده است که تلاش مشترک چندین گروه بین المللی بوده است. "اما ما همچنین متوجه شدیم که توسعه بیشتر آن و پذیرش جامعه نیازمند ابزارهای منبع باز است. ما openDVP را برای پر کردن این شکاف حیاتی ساختیم."

DVP ترکیبی از تصویربرداری با وضوح بالا، هوش مصنوعی و طیف‌سنجی جرمی است تا مکان سلول‌ها در بافت‌ها را با پروتئوم‌های آن‌ها مرتبط کند - هزاران پروتئین که بسیاری از کارهای واقعی یک سلول را تعیین می‌کنند.

توانایی فهرست‌نویسی، تجسم و تعیین کمیت پروتئین‌ها در بافت‌های بومی آن‌ها با چنین جزئیات دقیقی می‌تواند درک ما را از چگونگی توسعه بیماری‌ها عمیق‌تر کند و در نهایت به محققان کمک کند مداخلات و درمان‌های بهتر بیماری را طراحی کنند. کاربردهای DVP به هیچ بیماری محدود نمی شود و در اصل می تواند برای هر نوع نمونه بیولوژیکی اعمال شود.

با این حال، چالش اصلی DVP، اتصال چندین مرحله از نظر فنی متمایز است: تصویربرداری از بافت، تجزیه و تحلیل تصاویر، شناسایی سلول‌ها یا مناطق بافت، جداسازی فیزیکی آنها، مطالعه نمونه‌ها با طیف‌سنجی جرمی و متعاقبا تجزیه و تحلیل داده‌ها.

اکنون openDVP این مراحل را در یک چارچوب ماژولار و منبع باز گرد هم آورده است. این تیم فرآیند تجزیه و تحلیل تصویر را ساده کرده و یک گردش کار سریع ایجاد کرده است که به محققان اجازه می دهد تا به سرعت تعداد زیادی سلول یا مناطق مورد علاقه را بدون نیاز به تخصص گسترده در تجزیه و تحلیل تصویر محاسباتی حاشیه نویسی، جمع آوری و اندازه گیری کنند.

آنها همچنین یک استراتژی نمونه‌برداری بافت جدید به نام DVP هدایت‌شده از محله سلولی را معرفی کرده‌اند که جمع‌آوری بافت را بر اساس گروه‌های سلولی عملکردی و تکرارشونده اطلاع می‌دهد. برای مثال، در سرطان، هویت سلول‌هایی که تومور را احاطه کرده‌اند، اغلب می‌تواند نتایج درمانی و پیشرفت بیماری را پیش‌بینی کند.

خوزه نیمو، نویسنده اول این مطالعه، می‌گوید: «اما ما در مورد آنچه که این سلول‌ها واقعا انجام می‌دهند، اطلاعات کمی داریم. او اضافه می کند که اطلاعات پروتئومی جهانی می تواند چنین اطلاعات مهمی را ارائه دهد.

"با هدف قرار دادن چنین همسایگی های سلولی برای پروتئومیک های مبتنی بر طیف سنجی جرمی، می توانیم یاد بگیریم که سلول ها کجا هستند و با چه سلول های دیگری در یک محیط بافتی خاص صحبت می کنند. این مهم است زیرا سلول ها به صورت مجزا عمل نمی کنند. رفتار آنها به شدت تحت تاثیر سلول های اطراف آنها است."

برای نشان دادن قابلیت‌های این فناوری، محققان پروتئوم‌های سلول‌ها را در سه نمونه بافت مختلف تجزیه و تحلیل و مشخص کردند: جفت، آدنوکارسینوم ریه و سرطان سینه. Coscia توضیح می دهد: "اما openDVP به بافت یا بیماری خاصی محدود نمی شود."

ما فقط این نمونه‌ها را انتخاب کردیم تا نشان دهیم این روش همه کاره است و می‌تواند بینش‌های منحصربه‌فردی را در مورد عملکرد پروتئین‌ها در محیط‌های سلولی مختلف و عمدتا ناشناخته ارائه دهد.»

برای مثال، در نمونه سرطان ریه، openDVP ده‌ها هدف دارویی را نشان داد که قبلا درمان‌های تأیید شده برای آنها وجود دارد. در سرطان سینه، این فناوری مسیرهای التهابی افزایش یافته و احتمالا قابل درمان دارویی مرتبط با مقاومت در برابر شیمی درمانی و عود سرطان را کشف کرد.

از آنجایی که چارچوب متن باز و ماژولار است، محققان می توانند اجزای جداگانه را مبادله کنند یا روش های جدید را بدون بازسازی کل گردش کار ادغام کنند.

این می تواند به ویژه برای مطالعات بالینی بزرگتر مهم باشد، جایی که پروتئومیک فضایی ممکن است به توضیح در سطح مولکولی کمک کند که چرا بیماران به یک درمان دارویی خاص پاسخ نمی دهند. همچنین می‌تواند نشانگرهای زیستی را شناسایی کند که می‌توانند تایید کنند که آیا بیمار به درمان پاسخ می‌دهد یا خیر.

در گامی به سمت مفیدتر کردن این تکنیک از نظر بالینی، تیم در حال برنامه‌ریزی برای ادغام مدل‌های پایه آسیب‌شناسی - شبکه‌های عصبی هوش مصنوعی بزرگی است که بر روی داده‌های آسیب‌شناسی بافت‌شناسی آموزش دیده‌اند - تا به طور کامل نحوه تشخیص و حاشیه‌نویسی بافت‌ها توسط نرم‌افزار را خودکار کند.

نیمو می‌گوید: «این ما را قادر می‌سازد تا مطالعات پروتئومیک فضایی در مقیاس بزرگ را در بسیاری از بیماری‌های مختلف انجام دهیم.

محققان openDVP را به عنوان یک پلتفرم جامعه تصور می کنند که می تواند با پیشرفت فناوری های تصویربرداری، هوش مصنوعی و طیف سنجی جرمی تکامل یابد.

Coscia می افزاید: "openDVP یک فعال کننده فناوری فوق العاده است." اکنون می‌توانیم به سؤالات جدیدی بپردازیم که تا چند سال پیش کاملا غیرقابل تصور بودند.»

خوزه نیمو و همکاران، OpenDVP: یک چارچوب تجربی و محاسباتی برای پروتئومیکس عمیق بصری مبتنی بر جامعه، روش‌های طبیعت (2026). DOI: 10.1038/s41592-026-03262-z

ارائه شده توسط مرکز ماکس دلبروک برای پزشکی مولکولی

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →