Python|Matthias Mann团队单细胞空间蛋白质组学绘制人类肝脏分区模式及其对组织结构破坏的脆弱性
理解蛋白质分布模式在组织结构中对解读健康和疾病中的器官功能至关重要。肝脏是最大的内脏,在协调葡萄糖稳态、蛋白质合成、胆汁生成和解毒有害物质等关键过程中起着关键作用。为了高效管理这些多样的功能,肝脏进化出了独特的解剖结构。通过肝叶的定向血流——最小的功能单元——在该轴上形成明显的代谢和信号梯度。尽管肝细胞在组织学上看起来相似,但它们在小叶中的位置不同,执行的代谢功能往往截然不同,且常常相互矛盾——这一现象被称为肝区分区现象。门膜周围肝细胞主要参与糖新生和脂肪酸氧化,而中心周围肝细胞则专注于糖酵解和脂生成。肝脏分区的精确映射和更高的空间分辨率对于彻底研究肝脏生理和疾病至关重要。准确定量蛋白质作为功能参与者在肝病中尤为重要,因为肝病中翻译和翻译后调控,包括蛋白质更新,常常驱动病理过程该团队展示了单细胞深度视觉蛋白质组学在本地肝组织中对单个细胞进行空间解析蛋白质组分析的应用。该团队建立了由战略细胞选择和连续蛋白质梯度映射组成的稳健框架,支持对更大临床队列的研究。通过分析18名个体的数百个分离肝细胞,绘制了人类肝蛋白组的全面空间图。 该研究的所有分析数据及代码都是对外开放,感兴趣的老师们可以下载,欢迎一起讨论~
单个肝细胞形状中超过2500个蛋白质的带状蛋白质组 分离出792个单一肝细胞形状。经过质量阈值过滤,我们确定每个形状中位数为2,539种蛋白质,最大3,926种蛋白质。
本研究推进了scDVP框架,使得小规模临床队列的分析成为可能,创建了单细胞分辨率下的人类肝蛋白组深度空间图。采用无标记多发性硬化法,每个肝细胞最多定量了近4000个蛋白质,中位深度达到2539个,覆盖数百个细胞。为了实现队列规模的放大,开发了一种自动化的战略性细胞选择方法,用于识别沿特定空间轨迹分布最优的细胞,包括自动保存空间元数据。这使得高效采样细胞成为可能,最大化从每个组织切片获得的信息,从而减少捕捉组织空间组织所需的细胞数量。该筛选流程的多样性涵盖了从健康组织中全自动静脉识别到基于图形界面的复杂组织结构手动轨迹定义。
1. 细胞选择流程,包括自动静脉检测和手动轨迹定义的图形用户界面: https://github.com/BorgwardtLab/Human_scDVP_CellSelection 2. 样本过滤和连续分带分析的分析代码,以及处理过的数据文件:https://github.com/BorgwardtLab/Human_scDVP_Analysis。3. 交互式数据可视化:https://github.com/BorgwardtLab/Human_scDVP_data_dashboard。4. 此外,细胞选择方法已进一步发展为CellPick,一款独立的战略空间细胞采样应用:https://github.com/BorgwardtLab/CellPick。文末有话说(你的关注、点赞、在看、评论非常重要!!!)欢迎大家留言讨论,如果对结果或者方法实现有疑问的可以联系管理员进行解决:kriswcyYQ。平台宗旨:提供(空间)单细胞组学、常规组学个性化解决方案;提供数据分析、R及Python绘图优化、代码复现等科研服务;提供数据分析课程服务(包括基于AI的深度学习课程、影像组学等),欢迎大家前来咨询。目前冲5000粉,免费数据分析咨询一次!!!