Revista de Bioquímica y Fisiología

Identificación automática de la glicosilación específica del sitio en proteómica mediante espectrometría de masas y bioinformática

Jong Shin Yoo

La glicosilación de proteínas, una de las modificaciones postraduccionales más frecuentes en las proteínas, desempeña papeles importantes en los sistemas biológicos a través de varios procesos, como la adhesión, la señalización a través del reconocimiento celular y la respuesta a estados biológicos anormales. Sin embargo, debido a la complejidad y heterogeneidad de una glicoproteína, los análisis actuales se centran principalmente en la identificación de los sitios de glicosilación o de los glicanos liberados únicamente. En este estudio, hemos desarrollado un método de alto rendimiento basado en MS para el análisis de N-glicopéptidos intactos, llamado GlycoProteomeAnalyzer (GPA) para el análisis de N- y O-glicosilación en proteómica, que combina la espectrometría de masas (MS) en tándem con una búsqueda en bases de datos y un conjunto de algoritmos. Creamos nuevos algoritmos de puntuación para la identificación confiable de la N- y O-glicosilación de proteínas con el cálculo de la tasa de falsos descubrimientos (FDR). En nuestro enfoque, toda la secuencia de aminoácidos, así como la información del sitio de glicosilación, se obtuvieron de la base de datos Uniprot. A partir del número de acceso Swiss-Prot de la proteína humana, nuestro programa GPA construye automáticamente una base de datos de N- y O-glicopéptidos trípticos para las proteínas en la muestra de plasma humano. Permite la identificación automática de N- y O-glicopéptidos específicos del sitio de mezclas de proteínas utilizando espectros HCD, CID y ETD MS/MS con GPA-DB de Uniprot con FDR estimado ≤ 1%. GPA ha sido diseñado para manejar fácilmente datos glicoproteómicos de alto rendimiento con una interfaz gráfica de usuario y se ha demostrado en el sitio web (https://www.igpa.kr/). También se puede integrar con un servicio de computación en la nube que elimina la necesidad de clústeres locales y aumenta el rendimiento del análisis de datos.