মাইক্রোবিয়াল মেটাপ্রোটোমিক্স: নমুনা প্রক্রিয়াকরণ, ডেটা সংগ্রহ থেকে ডেটা বিশ্লেষণ

উ এনহুই, কিয়াও লিয়াং*

রসায়ন বিভাগ, ফুদান বিশ্ববিদ্যালয়, সাংহাই 200433, চীন

অণুজীব মানুষের রোগ এবং স্বাস্থ্যের সাথে ঘনিষ্ঠভাবে সম্পর্কিত। অণুজীব সম্প্রদায়ের গঠন এবং তাদের কার্যাবলী কীভাবে বোঝা যায় তা একটি প্রধান সমস্যা যা জরুরীভাবে অধ্যয়ন করা দরকার। সাম্প্রতিক বছরগুলিতে, অণুজীবের গঠন এবং কার্যকারিতা অধ্যয়নের জন্য মেটাপ্রোটোমিক্স একটি গুরুত্বপূর্ণ প্রযুক্তিগত মাধ্যম হয়ে উঠেছে। যাইহোক, মাইক্রোবিয়াল সম্প্রদায়ের নমুনাগুলির জটিলতা এবং উচ্চ বৈচিত্র্যের কারণে, নমুনা প্রক্রিয়াকরণ, ভর স্পেকট্রোমেট্রি ডেটা অধিগ্রহণ এবং ডেটা বিশ্লেষণ বর্তমানে মেটাপ্রোটোমিক্সের মুখোমুখি তিনটি প্রধান চ্যালেঞ্জ হয়ে উঠেছে। মেটাপ্রোটিওমিক্স বিশ্লেষণে, প্রায়শই বিভিন্ন ধরণের নমুনার পূর্ব-চিকিত্সাকে অপ্টিমাইজ করা এবং বিভিন্ন মাইক্রোবায়াল বিচ্ছেদ, সমৃদ্ধকরণ, নিষ্কাশন এবং লাইসিস স্কিমগুলি গ্রহণ করা প্রয়োজন। একটি একক প্রজাতির প্রোটিওমের মতো, মেটাপ্রোটোমিক্সে ভর স্পেকট্রোমেট্রি ডেটা অধিগ্রহণের মোডগুলির মধ্যে রয়েছে ডেটা-নির্ভর অধিগ্রহণ (DDA) মোড এবং ডেটা-স্বাধীন অধিগ্রহণ (DIA) মোড। ডিআইএ ডেটা অধিগ্রহণ মোড সম্পূর্ণরূপে নমুনার পেপটাইড তথ্য সংগ্রহ করতে পারে এবং এর দুর্দান্ত বিকাশের সম্ভাবনা রয়েছে। যাইহোক, মেটাপ্রোটোম নমুনাগুলির জটিলতার কারণে, এর ডিআইএ ডেটা বিশ্লেষণ একটি বড় সমস্যা হয়ে দাঁড়িয়েছে যা মেটাপ্রোটোমিক্সের গভীর কভারেজকে বাধা দেয়। তথ্য বিশ্লেষণের ক্ষেত্রে, সবচেয়ে গুরুত্বপূর্ণ পদক্ষেপ হল একটি প্রোটিন সিকোয়েন্স ডাটাবেস নির্মাণ। ডাটাবেসের আকার এবং সম্পূর্ণতা শুধুমাত্র শনাক্তকরণের সংখ্যার উপরই বড় প্রভাব ফেলে না, তবে প্রজাতি এবং কার্যকরী স্তরের বিশ্লেষণকেও প্রভাবিত করে। বর্তমানে, একটি মেটাপ্রোটোম ডাটাবেস নির্মাণের জন্য সোনার মান হল মেটাজেনোমের উপর ভিত্তি করে একটি প্রোটিন সিকোয়েন্স ডাটাবেস। একই সময়ে, পুনরাবৃত্ত অনুসন্ধানের উপর ভিত্তি করে পাবলিক ডাটাবেস ফিল্টারিং পদ্ধতিরও শক্তিশালী ব্যবহারিক মান রয়েছে বলে প্রমাণিত হয়েছে। নির্দিষ্ট ডেটা বিশ্লেষণ কৌশলগুলির দৃষ্টিকোণ থেকে, পেপটাইড-কেন্দ্রিক ডিআইএ ডেটা বিশ্লেষণ পদ্ধতিগুলি একটি পরম মূলধারা দখল করেছে। গভীর শিক্ষা এবং কৃত্রিম বুদ্ধিমত্তার বিকাশের সাথে, এটি ম্যাক্রোপ্রোটোমিক ডেটা বিশ্লেষণের নির্ভুলতা, কভারেজ এবং বিশ্লেষণের গতিকে ব্যাপকভাবে প্রচার করবে। ডাউনস্ট্রীম বায়োইনফরম্যাটিক্স বিশ্লেষণের ক্ষেত্রে, সাম্প্রতিক বছরগুলিতে টীকা সরঞ্জামগুলির একটি সিরিজ তৈরি করা হয়েছে, যা প্রোটিন স্তর, পেপটাইড স্তর এবং জিন স্তরে জীবাণু সম্প্রদায়ের সংমিশ্রণ পেতে প্রজাতির টীকা সম্পাদন করতে পারে। অন্যান্য ওমিক্স পদ্ধতির সাথে তুলনা করে, মাইক্রোবিয়াল সম্প্রদায়ের কার্যকরী বিশ্লেষণ ম্যাক্রোপ্রোটোমিক্সের একটি অনন্য বৈশিষ্ট্য। ম্যাক্রোপ্রোটিওমিক্স মাইক্রোবিয়াল সম্প্রদায়ের মাল্টি-ওমিক্স বিশ্লেষণের একটি গুরুত্বপূর্ণ অংশ হয়ে উঠেছে এবং এখনও কভারেজ গভীরতা, সনাক্তকরণ সংবেদনশীলতা এবং ডেটা বিশ্লেষণ সম্পূর্ণতার পরিপ্রেক্ষিতে ব্যাপক বিকাশের সম্ভাবনা রয়েছে।

01 নমুনা প্রিট্রিটমেন্ট

বর্তমানে, মেটাপ্রোটোমিক্স প্রযুক্তি মানুষের মাইক্রোবায়োম, মাটি, খাদ্য, মহাসাগর, সক্রিয় স্লাজ এবং অন্যান্য ক্ষেত্রের গবেষণায় ব্যাপকভাবে ব্যবহৃত হয়েছে। একটি একক প্রজাতির প্রোটিওম বিশ্লেষণের সাথে তুলনা করে, জটিল নমুনার মেটাপ্রোটোমের নমুনা প্রিট্রিটমেন্ট আরও চ্যালেঞ্জের সম্মুখীন হয়। প্রকৃত নমুনায় জীবাণুর গঠন জটিল, প্রাচুর্যের গতিশীল পরিসর বড়, বিভিন্ন ধরনের অণুজীবের কোষ প্রাচীরের গঠন খুবই ভিন্ন, এবং নমুনায় প্রায়ই প্রচুর পরিমাণে হোস্ট প্রোটিন এবং অন্যান্য অমেধ্য থাকে। অতএব, মেটাপ্রোটোমের বিশ্লেষণে, প্রায়শই বিভিন্ন ধরণের নমুনা অপ্টিমাইজ করা এবং বিভিন্ন মাইক্রোবায়াল বিচ্ছেদ, সমৃদ্ধকরণ, নিষ্কাশন এবং লাইসিস স্কিমগুলি গ্রহণ করা প্রয়োজন।

বিভিন্ন নমুনা থেকে মাইক্রোবিয়াল মেটাপ্রোটিওম নিষ্কাশনে কিছু মিলের পাশাপাশি কিছু পার্থক্য রয়েছে, তবে বর্তমানে বিভিন্ন ধরণের মেটাপ্রোটোম নমুনার জন্য একীভূত প্রাক-প্রক্রিয়াকরণ প্রক্রিয়ার অভাব রয়েছে।

02 ভর স্পেকট্রোমেট্রি ডেটা অধিগ্রহণ

শটগান প্রোটিওম বিশ্লেষণে, প্রিট্রিটমেন্টের পরে পেপটাইড মিশ্রণটি প্রথমে ক্রোমাটোগ্রাফিক কলামে আলাদা করা হয় এবং তারপর আয়নকরণের পরে ডেটা অধিগ্রহণের জন্য ভর স্পেকট্রোমিটারে প্রবেশ করে। একক প্রজাতির প্রোটিওম বিশ্লেষণের অনুরূপ, ম্যাক্রোপ্রোটোম বিশ্লেষণে ভর স্পেকট্রোমেট্রি ডেটা অর্জনের মোডগুলির মধ্যে রয়েছে ডিডিএ মোড এবং ডিআইএ মোড।

ভর স্পেকট্রোমেট্রি যন্ত্রগুলির ক্রমাগত পুনরাবৃত্তি এবং আপডেটের সাথে, উচ্চ সংবেদনশীলতা এবং রেজোলিউশন সহ ভর স্পেকট্রোমেট্রি যন্ত্রগুলি মেটাপ্রোটোমে প্রয়োগ করা হয় এবং মেটাপ্রোটোম বিশ্লেষণের কভারেজ গভীরতাও ক্রমাগত উন্নত হয়। দীর্ঘদিন ধরে, অরবিট্র্যাপের নেতৃত্বে উচ্চ-রেজোলিউশন ভর স্পেকট্রোমেট্রি যন্ত্রের একটি সিরিজ মেটাপ্রোটোমে ব্যাপকভাবে ব্যবহৃত হচ্ছে।

মূল পাঠ্যের সারণী 1 নমুনার ধরন, বিশ্লেষণ কৌশল, ভর স্পেকট্রোমেট্রি যন্ত্র, অধিগ্রহণ পদ্ধতি, বিশ্লেষণ সফ্টওয়্যার এবং সনাক্তকরণের সংখ্যার ক্ষেত্রে 2011 থেকে বর্তমান পর্যন্ত মেটাপ্রোটোমিক্সের উপর কিছু প্রতিনিধিত্বমূলক গবেষণা দেখায়।

03 ভর স্পেকট্রোমেট্রি ডেটা বিশ্লেষণ

3.1 DDA ডেটা বিশ্লেষণ কৌশল

3.1.1 ডেটাবেস অনুসন্ধান

3.1.2নতুনসিকোয়েন্সিং কৌশল

3.2 DIA ডেটা বিশ্লেষণ কৌশল

04 প্রজাতির শ্রেণীবিভাগ এবং কার্যকরী টীকা

বিভিন্ন শ্রেণীবিন্যাস স্তরে মাইক্রোবায়াল সম্প্রদায়ের গঠন মাইক্রোবায়োম গবেষণার অন্যতম প্রধান গবেষণা ক্ষেত্র। সাম্প্রতিক বছরগুলিতে, অণুজীব সম্প্রদায়ের সংমিশ্রণ পেতে প্রোটিন স্তর, পেপটাইড স্তর এবং জিন স্তরে প্রজাতিকে টীকা দেওয়ার জন্য একটি সিরিজ টীকা সরঞ্জাম তৈরি করা হয়েছে।

কার্যকরী টীকাটির সারমর্ম হল লক্ষ্য প্রোটিন সিকোয়েন্সকে কার্যকরী প্রোটিন সিকোয়েন্স ডাটাবেসের সাথে তুলনা করা। জিও, সিওজি, কেইজিজি, এগএনওজি ইত্যাদির মতো জিন ফাংশন ডেটাবেস ব্যবহার করে, ম্যাক্রোপ্রোটোম দ্বারা চিহ্নিত প্রোটিনের উপর বিভিন্ন কার্যকরী টীকা বিশ্লেষণ করা যেতে পারে। টীকা টুলের মধ্যে রয়েছে Blast2GO, DAVID, KOBAS, ইত্যাদি।

05সারাংশ এবং আউটলুক

অণুজীব মানব স্বাস্থ্য এবং রোগে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। সাম্প্রতিক বছরগুলিতে, অণুজীব সম্প্রদায়ের কার্যকারিতা অধ্যয়নের জন্য মেটাপ্রোটোমিক্স একটি গুরুত্বপূর্ণ প্রযুক্তিগত মাধ্যম হয়ে উঠেছে। মেটাপ্রোটিওমিক্সের বিশ্লেষণাত্মক প্রক্রিয়া একক-প্রজাতির প্রোটিওমিক্সের অনুরূপ, কিন্তু মেটাপ্রোটোমিক্সের গবেষণা বস্তুর জটিলতার কারণে, নমুনা প্রিট্রিটমেন্ট, ডেটা অধিগ্রহণ থেকে ডেটা বিশ্লেষণ পর্যন্ত প্রতিটি বিশ্লেষণের ধাপে নির্দিষ্ট গবেষণা কৌশল গ্রহণ করা প্রয়োজন। বর্তমানে, প্রিট্রিটমেন্ট পদ্ধতির উন্নতি, ভর স্পেকট্রোমেট্রি প্রযুক্তির ক্রমাগত উদ্ভাবন এবং বায়োইনফরমেটিক্সের দ্রুত বিকাশের জন্য ধন্যবাদ, মেটাপ্রোটোমিক্স সনাক্তকরণের গভীরতা এবং প্রয়োগের সুযোগে দুর্দান্ত অগ্রগতি করেছে।

ম্যাক্রোপ্রোটোম নমুনার প্রাক-চিকিত্সা প্রক্রিয়ায়, নমুনার প্রকৃতি প্রথমে বিবেচনা করা আবশ্যক। কীভাবে পরিবেশগত কোষ এবং প্রোটিন থেকে অণুজীবগুলিকে আলাদা করা যায় তা হল ম্যাক্রোপ্রোটিওমগুলির মুখোমুখি হওয়া প্রধান চ্যালেঞ্জগুলির মধ্যে একটি, এবং পৃথকীকরণ দক্ষতা এবং মাইক্রোবিয়াল ক্ষতির মধ্যে ভারসাম্য একটি জরুরী সমস্যা সমাধান করা। দ্বিতীয়ত, অণুজীবের প্রোটিন নিষ্কাশনকে অবশ্যই বিভিন্ন ব্যাকটেরিয়ার গঠনগত ভিন্নতা দ্বারা সৃষ্ট পার্থক্য বিবেচনা করতে হবে। ট্রেস পরিসরে ম্যাক্রোপ্রোটোম নমুনাগুলির জন্যও নির্দিষ্ট প্রাক-চিকিত্সা পদ্ধতির প্রয়োজন হয়।

ভর স্পেকট্রোমেট্রি যন্ত্রের পরিপ্রেক্ষিতে, মূলধারার ভর স্পেকট্রোমেট্রি যন্ত্রগুলি অরবিট্র্যাপ ভর বিশ্লেষক যেমন LTQ-Orbitrap এবং Q Exactive এর উপর ভিত্তি করে ভর স্পেকট্রোমিটার থেকে আয়ন গতিশীলতার উপর ভিত্তি করে ভর স্পেকট্রোমিটারে রূপান্তরিত হয়েছে এবং টাইম-অফ-ফ্লাইট ভর বিশ্লেষক যেমন timsTOF Pro . আয়ন গতিশীলতার মাত্রা তথ্য সহ timsTOF সিরিজের যন্ত্রগুলির উচ্চ সনাক্তকরণ নির্ভুলতা, কম সনাক্তকরণ সীমা এবং ভাল পুনরাবৃত্তিযোগ্যতা রয়েছে। তারা ধীরে ধীরে বিভিন্ন গবেষণা ক্ষেত্রে গুরুত্বপূর্ণ যন্ত্র হয়ে উঠেছে যার জন্য ভর স্পেকট্রোমেট্রি সনাক্তকরণ প্রয়োজন, যেমন প্রোটিওম, মেটাপ্রোটোম এবং একটি একক প্রজাতির মেটাবোলোম। এটি লক্ষণীয় যে দীর্ঘ সময়ের জন্য, ভর স্পেকট্রোমেট্রি যন্ত্রের গতিশীল পরিসর মেটাপ্রোটোম গবেষণার প্রোটিন কভারেজ গভীরতাকে সীমিত করেছে। ভবিষ্যতে, একটি বৃহত্তর গতিশীল পরিসর সহ ভর স্পেকট্রোমেট্রি যন্ত্রগুলি মেটাপ্রোটোমে প্রোটিন সনাক্তকরণের সংবেদনশীলতা এবং নির্ভুলতা উন্নত করতে পারে।

ভর স্পেকট্রোমেট্রি ডেটা অধিগ্রহণের জন্য, যদিও একটি একক প্রজাতির প্রোটিওমে ডিআইএ ডেটা অধিগ্রহণ মোড ব্যাপকভাবে গৃহীত হয়েছে, বেশিরভাগ বর্তমান ম্যাক্রোপ্রোটোম বিশ্লেষণ এখনও ডিডিএ ডেটা অধিগ্রহণ মোড ব্যবহার করে। ডিআইএ ডেটা অধিগ্রহণ মোড সম্পূর্ণরূপে নমুনার খণ্ড আয়ন তথ্য পেতে পারে এবং ডিডিএ ডেটা অধিগ্রহণ মোডের সাথে তুলনা করে, এতে ম্যাক্রোপ্রোটোম নমুনার পেপটাইড তথ্য সম্পূর্ণরূপে পাওয়ার সম্ভাবনা রয়েছে। যাইহোক, ডিআইএ ডেটার উচ্চ জটিলতার কারণে, ডিআইএ ম্যাক্রোপ্রোটোম ডেটার বিশ্লেষণ এখনও বড় সমস্যার সম্মুখীন হচ্ছে। কৃত্রিম বুদ্ধিমত্তা এবং গভীর শিক্ষার বিকাশ DIA ডেটা বিশ্লেষণের নির্ভুলতা এবং সম্পূর্ণতা উন্নত করবে বলে আশা করা হচ্ছে।

মেটাপ্রোটোমিক্সের ডেটা বিশ্লেষণে, মূল পদক্ষেপগুলির মধ্যে একটি হল প্রোটিন সিকোয়েন্স ডাটাবেস নির্মাণ। অন্ত্রের উদ্ভিদের মতো জনপ্রিয় গবেষণা ক্ষেত্রগুলির জন্য, অন্ত্রের মাইক্রোবিয়াল ডেটাবেস যেমন IGC এবং HMP ব্যবহার করা যেতে পারে এবং ভাল সনাক্তকরণ ফলাফল অর্জন করা হয়েছে। অন্যান্য মেটাপ্রোটোমিক্স বিশ্লেষণের জন্য, সবচেয়ে কার্যকর ডাটাবেস নির্মাণ কৌশল এখনও মেটাজেনমিক সিকোয়েন্সিং ডেটার উপর ভিত্তি করে একটি নমুনা-নির্দিষ্ট প্রোটিন সিকোয়েন্স ডাটাবেস স্থাপন করা। উচ্চ জটিলতা এবং বৃহৎ গতিশীল পরিসরের মাইক্রোবিয়াল সম্প্রদায়ের নমুনার জন্য, কম-প্রাচুর্যের প্রজাতির সনাক্তকরণ বাড়ানোর জন্য সিকোয়েন্সিং গভীরতা বৃদ্ধি করা প্রয়োজন, যার ফলে প্রোটিন সিকোয়েন্স ডাটাবেসের কভারেজ উন্নত হয়। যখন সিকোয়েন্সিং ডেটার অভাব হয়, তখন পাবলিক ডাটাবেস অপ্টিমাইজ করতে একটি পুনরাবৃত্তিমূলক অনুসন্ধান পদ্ধতি ব্যবহার করা যেতে পারে। যাইহোক, পুনরাবৃত্তিমূলক অনুসন্ধান FDR গুণমান নিয়ন্ত্রণকে প্রভাবিত করতে পারে, তাই অনুসন্ধানের ফলাফলগুলি সাবধানে পরীক্ষা করা দরকার। উপরন্তু, মেটাপ্রোটোমিক্স বিশ্লেষণে ঐতিহ্যগত FDR মান নিয়ন্ত্রণ মডেলগুলির প্রযোজ্যতা এখনও অন্বেষণের যোগ্য। অনুসন্ধান কৌশলের পরিপ্রেক্ষিতে, হাইব্রিড বর্ণালী লাইব্রেরি কৌশল ডিআইএ মেটাপ্রোটোমিক্সের কভারেজ গভীরতা উন্নত করতে পারে। সাম্প্রতিক বছরগুলিতে, গভীর শিক্ষার উপর ভিত্তি করে তৈরি পূর্বাভাসিত বর্ণালী লাইব্রেরি ডিআইএ প্রোটোমিক্সে উচ্চতর কর্মক্ষমতা দেখিয়েছে। যাইহোক, মেটাপ্রোটিওম ডাটাবেসে প্রায়ই লক্ষ লক্ষ প্রোটিন এন্ট্রি থাকে, যার ফলশ্রুতিতে প্রচুর পরিমাণে ভবিষ্যদ্বাণী করা বর্ণালী লাইব্রেরি তৈরি হয়, প্রচুর কম্পিউটিং সংস্থান খরচ হয় এবং এর ফলে একটি বড় অনুসন্ধান স্থান পাওয়া যায়। উপরন্তু, মেটাপ্রোটিওমে প্রোটিন সিকোয়েন্সের মধ্যে সাদৃশ্য ব্যাপকভাবে পরিবর্তিত হয়, যার ফলে বর্ণালী লাইব্রেরির পূর্বাভাস মডেলের যথার্থতা নিশ্চিত করা কঠিন হয়ে পড়ে, তাই ভবিষ্যদ্বাণীকৃত বর্ণালী গ্রন্থাগারগুলি মেটাপ্রোটোমিক্সে ব্যাপকভাবে ব্যবহৃত হয়নি। উপরন্তু, উচ্চ ক্রম-সদৃশ প্রোটিনের মেটাপ্রোটোমিক্স বিশ্লেষণে প্রয়োগ করার জন্য নতুন প্রোটিন অনুমান এবং শ্রেণীবিভাগ টীকা কৌশলগুলি তৈরি করা দরকার।

সারসংক্ষেপে, একটি উদীয়মান মাইক্রোবায়োম গবেষণা প্রযুক্তি হিসাবে, মেটাপ্রোটোমিক্স প্রযুক্তি উল্লেখযোগ্য গবেষণা ফলাফল অর্জন করেছে এবং বিপুল বিকাশের সম্ভাবনাও রয়েছে।