Программные инструменты и биологические базы данных для построения гипотез о взаимодействиях белков по результатам протеомного профилирования

Современные методики протеомных экспериментов позволяют одновременно отслеживать изменения уровней сотен и тысяч белков [1−3]. В результате таких экспериментов удается установить основных молекулярных «действующих лиц» изучаемого процесса, однако не удается определить возможные межмолекулярные взаимодействия, лежащие в его основе. Целью настоящей работы была разработка подхода к построению молекулярных моделей реакций клеток на внешние воздействия, который, с одной стороны, базировался бы на данных, получаемых в ходе протеомного исследования, а с другой стороны, использовал бы потенциал постоянно пополняемых публичных баз данных о бинарных белок-белковых взаимодействиях. В совокупности такой подход позволил бы строить обоснованные гипотезы об объединении установленных «молекулярных участников» изучаемых процессов в сети молекулярных взаимодействий.

В качестве исходных данных, использовались результаты эксперимента по изучению реакции протеома нервной ткани речного рака на окислительный стресс, вызванный фотодинамическим воздействием [4]. Исходным набором данных служил список белков, демонстрировавших в ответ на фотодинамически генерируемый окислительный стресс, изменения уровня более чем на 25%. Для объединения белков исходного списка в гипотетическую сеть использовались два подхода к определению возможных бинарных белок-белковых взаимодействий: 1) программный интеллектуальный анализ аннотаций научных статей по молекулярной биологии, находящихся в базе PubMed (мы использовали демо-версию пакета Pathway Studio [5] от компании Ariadne Genomics); 2) запрос к специализированным базам данных белк-белковых взаимодействий (в большинстве случаев мы использовали базу BioGrid [6]) с помощью свободно распространяемого пакета Cytoscape [7].

Размер получаемых сетей молекулярных взаимодействий мог быть различным — в Pathway Studio это определялось количеством анализируемых статей, в Cytoscape можно было указать длину цепочки связей, обозначающих взаимодействия, по отношению к белкам входного списка (в среднем, получаемые сети состояли из 2−3 сотен белков, Рис.1).

Рис. 1. — Сети белок-белковых взаимодействий, полученные с помощью программных средств Pathway Studio (a) и Cytoscape (b, серый цвет — белки исходного набора, розовый — их прямые партнеры по взаимодействиям).

В Pathway Studio нам не удалось обнаружить адекватных средств учета контекста экспериментального воздействия, вследствие чего в результирующую сеть попадали все бинарные взаимодействия между белками входного набора данных (и их соседями) вне зависимости от экспериментальных условий, в которых эти взаимодействия были обнаружены. Контекст нашего экспериментального воздействия — фотоокислительный стресс, был близок к одной из категорий (онтологий) биологических процессов базы GeneOntology (GO) [8], а именно — «реакция на окислительный стресс». Пакет Cytoscape, расширенный плагином Mosaic, позволил аннотировать сущности молекулярной сети, используя запрос онтологий к базе GO (Рис. 2а). Последующая фильтрация исходной сети с условием: «все белки входного набора + аннотированные, как участвующие в реакции на окислительный стресс» дала возможность получить искомую сеть (Рис. 2б, 3).

Рис. 2. — Cytoscape: (а) результат аннотирования белков полученной сети в соответствии с онтологиями базы GO (отдельные цвета соответствуют различным биологическим процессам), и последующей классификации (б) сущностей сети в соответствии с условием: «все белки входного набора (зеленый цвет) + аннотированные, как участвующие в реакции на окислительный стресс (желтый цвет)», прочие белки — красный цвет.

В сеть вошли белки входного набора данных (светлые фигуры), а также белки, которые одновременно участвуют в реакции клетки на окислительный стресс (по данным базы GO), и способны напрямую взаимодействовать с белками входного вектора (по данным базы BioGrid) — темные фигуры. Сокращенные названия белков даны в соответствии с нотацией, используемой в проекте proteinatlas.org.

Для использования прогностических возможностей полученной модели можно обратить внимание на хабы, образованные классическими сигнальными белками Bcl-xL, RAF1, FAK, которые изменяли свои уровни в эксперименте. Любопытно, что они не входят в онтологию «реакция на окислительный стресс» базы GO. Учитывая также то, что и в литературе отсутствуют данные об участии этих белков в реакции клеток нормальной неопухолевой нервной ткани на фотодинамически-индуцируемый окислительный стресс, экспериментальная проверка роли этих белков может служить отправной точкой в дальнейшем изучении механизмов повреждения нервной ткани при окислительном стрессе. Аналогичным образом, используя данные протеомного профилирования, предложенный нами подход может быть использован для формулирования обоснованных гипотез о межмолекулярных взаимодействиях, разворачивающихся в ходе других биологических процессов или заболеваний.

Очевидно, что интерес к созданию автоматизированных средств поиска, анализа и обработки биомедицинской информации [9] будет неуклонно расти, а эффективность таких систем будет напрямую связана с появлением новых, более совершенных алгоритмов анализа текстов [10].

протеом фотоокислительный стресс.

• 1. Aebersold R, Mann M. Mass spectrometry-based proteomics [Текст] // Nature, 2003. — 422(6928). -P.198−207.
• 2. Sutandy FX, Qian J, Chen CS, Zhu H. Overview of protein microarrays [Текст] // Curr Protoc Protein Sci., 2013. — 27(27.1).
• 3. Yu X, Schneiderhan-Marra N, Joos TO. Protein microarrays for personalized medicine [Текст] // Clin Chem., 2010. — 56(3). — P.376−87.
• 4. Колосов М. С., Бибов М. Ю., Демьяненко С. В., Шарифулина С. А., Узденский А. Б. Протеомный анализ реакции нервной ткани рака на фотодинамически-индуцированный окислительный стресс [Текст] // Материалы XVI Международной конференции по нейрокибернетике. Ростов-на-Дону, 24−28 сентября, 2012, — C.20−23.
• 5. Nikitin A, Egorov S, Daraselia N, Mazo I. Pathway studio—the analysis and navigation of molecular networks [Текст] // Bioinformatics, 2003. — 19(16). — P.2155−2157.
• 6. Stark C, Breitkreutz BJ, Reguly T, Boucher L, Breitkreutz A, Tyers M. BioGRID: a general repository for interaction datasets [Текст] // Nucleic Acids Res., 2006. -34. -P.535−539.
• 7. Shannon P, Markiel A, Ozier O, Baliga NS, Wang JT, Ramage D, Amin N, Schwikowski B, Ideker T. Cytoscape: a software environment for integrated models of biomolecular interaction networks [Текст] // Genome Res., 2003. -13(11). -P.2498−2504.
• 8. Lomax J. Get ready to GO! A biologist’s guide to the Gene Ontology [Текст] // Brief Bioinform., 2005. — 6(3). -P.298−304.
• 9. Дунин В. О., Егоров В. А. Проблемы создания интеллектуальных средств поиска, анализа и обработки биомедицинской информации [Электронный ресурс] // «Инженерный вестник Дона», 2012, № 4 (ч.1). — Режим доступа: http://www.ivdon.ru/magazine/archive/n4p1y2012/1220 (доступ свободный) — Загл. с экрана. — Яз. Рус.
• 10. Красников И. А., Никуличев Н. Н. Гибридный алгоритм классификации текстовых документов на основе анализа внутренней связности текста [Электронный ресурс] // «Инженерный вестник Дона», 2013, № 3. — Режим доступа: http://www.ivdon.ru/magazine/archive/n3y2013/1773 (доступ свободный) — Загл. с экрана. — Яз. Рус.