Refine
Document Type
- Preprint (2)
- Doctoral Thesis (1)
Has Fulltext
- yes (3)
Is part of the Bibliography
- no (3)
Keywords
- Elastase (1)
- Elektronensprayionisations-Massenspektrometrie (1)
- HPLC-MS (1)
- MALDI-MS (1)
- Mass Spectrometry (1)
- Membrane Protein (1)
- Pankreaselastase (1)
- Pepsin (1)
- Proteolyse (1)
- Proteolysis (1)
Diese Dissertation befasst sich mit der massenspektrometrischen Analytik von Membranproteinen. Diese gestaltet sich aufgrund der hydrophoben Natur der Proteine und der damit verbundenen schlechten Löslichkeit in wässrigen Puffersystemen als deutlich schwieriger als die Untersuchung löslicher Proteine. Einige weitere Probleme entstehen durch die konsequente Verwendung der Referenzprotease Trypsin zur Hydrolyse der Proteine. Sie spaltet ausschließlich Peptidbindungen nach basischen Aminosäuren, die naturgemäß in den unpolaren Helixbereichen der Membranproteine nur vereinzelt anzutreffen sind. Im Rahmen dieser Arbeit wurden auf weniger spezifischen Proteasen basierende Protokolle zur Analyse von ganzen Membranproteomen entwickelt, welche einige der ursprünglichen Probleme umgehen oder zumindest vermindern. Die Proteolysereaktion fand in Anwesenheit von Methanol statt, welcher die Membranstruktur destabilisiert und so die Zugänglichkeit der in die Membran eingebetteten Proteinteile für das Enzym erhöht. Zusätzlich erhöhte sich dadurch die Löslichkeit gebildeter hydrophober Peptide im Puffer. Das neue Protokoll wurde an Bacteriorhodopsin, einem geläufigen Modellsystem für α helikale Membranproteine, erfolgreich etabliert. Bei Verwendung der Proteasen Elastase und Pepsin konnten nach nLC-Trennung und MALDI-MS/MS deutlich mehr Peptide des Membranproteins signifikant identifiziert werden, als es mit Trypsin möglich gewesen ist. Auch qualitativ ergaben sich Unterschiede zwischen beiden Enzymen. Mit den alternativen Enzymen ließen sich nicht nur die hydrophilen peripheren Proteinabschnitte nachweisen, sondern auch zahlreiche Peptide aus den hydrophoben Transmembranbereichen. Das am Modellprotein etablierte Elastase-Protokoll konnte problemlos auf die Analyse des komplexeren Membranproteoms von Corynebacterium glutamicum transferiert werden. So konnten ca. 150 verschiedene Proteine identifiziert werden, darunter auch zahlreiche Membranproteine. Die erzeugten Peptidmischungen wurden nicht nur mittels nLC-MALDI-TOF/TOF sondern auch mit einer nLC-ESI-Orbitrap-Plattform analysiert. Anhand einer detaillierten Analyse der physikochemischen Eigenschaften der entstandenen Peptide konnte gezeigt werden, dass der dabei beobachtete Vorteil des ESI-Instrumentes zu großen Teilen auf die bessere Detektion aliphatischer Neutralpeptide zurückzuführen war. Diese werden bei der MALDI vornehmlich aufgrund der schlechteren Ionisation bei Verwendung der Standardmatrix α-Cyano-4-Hydroxyzimtsäure diskriminiert. Ein weiterer Vorteil des verwendeten ESI-Gerätes ist seine bessere Massengenauigkeit durch den hochauflösenden Orbitrap-Massenanlysator. Wurden die MALDI-TOF/TOF-Fragmentierungsdaten durch, auf einem zweiten Instrument gemessene, genaue MALDI-Orbitrap-Vorläufermassen supplementiert, konnten über 30% mehr Peptide signifikant identifiziert werden. Die gesammelten Daten konnten zur Erhebung einiger Statistiken über Elastase und Pepsin herangezogen werden. Erstmals wurde eine umfassende Untersuchung der Spaltspezifität von Elastase vorgenommen. Das Enzym hydrolysiert in ca. 82% der Fälle nach den kleinen hydrophoben Aminosäuren Ala, Val, Ile, Leu, Ser und Thr. Diese Spezifität ist für proteolytische Schnitte innerhalb der hydrophoben Helixbereiche von Membranproteinen äußerst vorteilhaft. Sie reicht aus, um Peptide Mass Fingerprinting an Einzelproteinen durchzuführen, wie exemplarisch am Modellprotein Bacteriorhodopsin gezeigt wurde. Die für Pepsin erhaltene Spezifität ist hingegen zu undifferenziert für solche Experimente, weshalb hier MS/MS-basierte Strategien vorzuziehen sind. Weitergehende Verbesserungen für Datenbanksuchen mit weniger spezifischen Proteasen wurden vorgeschlagen. Hierzu wurde erstmals eine größere Fragmentierungsstatistik eines nichttryptischen Datensatzes auf einem MALDI-Instrument erstellt, deren Aussage zur Verifizierung von Suchergebnissen in die Algorithmen implementiert werden kann. Beim Einsatz weniger spezifischer Proteasen erhöht sich im Vergleich zu Trypsin die entstehende Peptidkomplexität. Zur Kompensation dessen wurde eine Fraktionierung mittels Off-gel IEF vor der nLC-MALDI-Analyse etabliert. Zwecks direkter Kompatibilität zur nLC wurde ein Off-gel IEF-Protokoll ohne die Probeninjektion störendes Glycerol entwickelt. So ließ sich die dreifache Menge an Peptiden nachweisen, als mit ausschließlich eindimensionaler nLC-Trennung. In Verbindung mit den durch Trypsin erzielbaren Resultaten lassen sich mit den weniger spezifischen Enzymen viele Membranproteine umfassender charakterisieren, da zusätzlich die hydrophoben Transmembranbereiche und somit mehr Informationen für die Analytik zugänglich sind. Der gezielte Einsatz von alternativen Enzymen verbessert die momentane Situation in der Membranproteom-Analytik deutlich und führt diese einen weiteren Schritt an die Analytik löslicher Proteine heran.
Background: Biological psychiatry aims to understand mental disorders in terms of altered neurobiological pathways. However, for one of the most prevalent and disabling mental disorders, Major Depressive Disorder (MDD), patients only marginally differ from healthy individuals on the group-level. Whether Precision Psychiatry can solve this discrepancy and provide specific, reliable biomarkers remains unclear as current Machine Learning (ML) studies suffer from shortcomings pertaining to methods and data, which lead to substantial over-as well as underestimation of true model accuracy.
Methods: Addressing these issues, we quantify classification accuracy on a single-subject level in N=1,801 patients with MDD and healthy controls employing an extensive multivariate approach across a comprehensive range of neuroimaging modalities in a well-curated cohort, including structural and functional Magnetic Resonance Imaging, Diffusion Tensor Imaging as well as a polygenic risk score for depression.
Findings Training and testing a total of 2.4 million ML models, we find accuracies for diagnostic classification between 48.1% and 62.0%. Multimodal data integration of all neuroimaging modalities does not improve model performance. Similarly, training ML models on individuals stratified based on age, sex, or remission status does not lead to better classification. Even under simulated conditions of perfect reliability, performance does not substantially improve. Importantly, model error analysis identifies symptom severity as one potential target for MDD subgroup identification.
Interpretation: Although multivariate neuroimaging markers increase predictive power compared to univariate analyses, single-subject classification – even under conditions of extensive, best-practice Machine Learning optimization in a large, harmonized sample of patients diagnosed using state-of-the-art clinical assessments – does not reach clinically relevant performance. Based on this evidence, we sketch a course of action for Precision Psychiatry and future MDD biomarker research.