RESEARCH
Peer reviewed scientific video journal
Video encyclopedia of advanced research methods
Visualizing science through experiment videos
EDUCATION
Video textbooks for undergraduate courses
Visual demonstrations of key scientific experiments
BUSINESS
Video textbooks for business education
OTHERS
Interactive video based quizzes for formative assessments
Products
RESEARCH
JoVE Journal
Peer reviewed scientific video journal
JoVE Encyclopedia of Experiments
Video encyclopedia of advanced research methods
EDUCATION
JoVE Core
Video textbooks for undergraduates
JoVE Science Education
Visual demonstrations of key scientific experiments
JoVE Lab Manual
Videos of experiments for undergraduate lab courses
BUSINESS
JoVE Business
Video textbooks for business education
Solutions
Language
pl_PL
Menu
Menu
Menu
Menu
A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Mais J. Jebrail1, Vivienne N. Luk1,2, Steve C. C. Shih2,3, Ryan Fobel2,3, Alphonsus H. C. Ng2,3, Hao Yang1, Sergio L. S. Freire1, Aaron R. Wheeler1,2,3
1Department of Chemistry,University of Toronto, 2Donnelly Centre for Cellular and Biomolecular Research, 3Institute for Biomaterials and Biomedical Engineering,University of Toronto
Please note that some of the translations on this page are AI generated. Click here for the English version.
Erratum Notice
Important: There has been an erratum issued for this article. View Erratum Notice
Retraction Notice
The article Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size (LEfSe) in Microbiome Data (10.3791/61715) has been retracted by the journal upon the authors' request due to a conflict regarding the data and methodology. View Retraction Notice
Cyfrowa mikrofluidyka to technika charakteryzująca się manipulacją dyskretnymi kropelkami (~nL - mL) na układzie elektrod poprzez zastosowanie pól elektrycznych. Doskonale nadaje się do przeprowadzania szybkich, sekwencyjnych, zminiaturyzowanych zautomatyzowanych testów biochemicznych. W tym miejscu przedstawiamy platformę zdolną do automatyzacji kilku etapów przetwarzania proteomicznego.
Proteomika kliniczna stała się ważną nową dyscypliną, obiecując odkrycie biomarkerów, które będą przydatne do wczesnej diagnozy i prognozowania choroby. Chociaż kliniczne metody proteomiczne różnią się znacznie, wspólną cechą jest potrzeba (i) ekstrakcji białek z niezwykle niejednorodnych płynów (tj. surowicy, krwi pełnej itp.) oraz (ii) intensywnego przetwarzania biochemicznego przed analizą. W tym miejscu przedstawiamy nową metodę opartą na mikrofluidyce cyfrowej (DMF), integrującą kilka etapów przetwarzania stosowanych w proteomice klinicznej. Obejmuje to ekstrakcję białek, rozpuszczanie, redukcję, alkilowanie i trawienie enzymatyczne. Mikrofluidyka cyfrowa to technika obsługi płynów w mikroskali, w której kropelki o rozmiarach nanolitrów i mikrolitrów są manipulowane na otwartej powierzchni. Kropelki są umieszczane na szczycie układu elektrod, które są pokryte warstwą dielektryczną - gdy do kropli przyłożony jest potencjał elektryczny, ładunki gromadzą się po obu stronach dielektryka. Ładunki służą jako uchwyty elektrostatyczne, które mogą być używane do kontrolowania pozycji kropel, a poprzez polaryzację sekwencji elektrod szeregowo, kropelki mogą być dozowane, przesuwane, łączone, mieszane i rozdzielane na powierzchni. Dlatego DMF w naturalny sposób nadaje się do przeprowadzania szybkich, sekwencyjnych, wieloetapowych, zminiaturyzowanych zautomatyzowanych testów biochemicznych. Stanowi to znaczący postęp w stosunku do metod konwencjonalnych (opartych na ręcznym pipetowaniu lub robotach) i ma potencjał, aby stać się użytecznym nowym narzędziem w proteomice klinicznej.
Mais J. Jebrail, Vivienne N. Luk i Steve C. C. Shih w równym stopniu przyczynili się do powstania tej pracy.
Obecny adres Sergio L. S. Freire znajduje się na Uniwersytecie Nauk w Filadelfii pod adresem 600 South 43rd Street, Filadelfia, PA 19104.
Część 1: Produkcja urządzeń
Część 2: Konfiguracja i automatyzacja urządzeń
Część 3: Przygotowanie próbki i odczynnika
Część 4: Cyfrowe przetwarzanie próbek mikroprzepływowych
Część 5: Przygotowanie próbki po przetworzeniu
Część 6: Spektrometria mas


Rysunek 1. (a) Zdjęcie urządzenia DMF połączonego z 40-pinowymi złączami w celu automatycznego uruchamiania kropel. b) Schemat urządzenia przedstawiający rozmieszczenie próbki i odczynników wymaganych do badania proteomicznego.

Rysunek 2. Kadry z filmu przedstawiającego automatyczną ekstrakcję i oczyszczanie BSA w 20% TCA (środek strącający) i 70/30% chloroformu/acetonitrylu (roztwór do płukania). W ramce 6 wytrącone białko rozpuszcza się ponownie w kropli 100 mM wodorowęglanu amonu.

Rysunek 3. Kadry z filmu ilustrującego sekwencyjną redukcję, alkilowanie i trawienie kropli rozpuszczalnego białka. Na tym rysunku odczynniki są barwione barwnikami dla przejrzystości; W praktyce odczynniki nie są barwione.

Rysunek 4. Chromatogram MS próbki albuminy surowicy bydlęcej przetworzonej za pomocą mikrofluidyki cyfrowej. Zidentyfikowano 25 różnych peptydów (przedział ufności 99,9%), co odpowiada pokryciu sekwencji na poziomie 44%.
The lack of standardized sample handling and processing in proteomics is a major limitation for the field. In addition, conventional macroscale sample handling involves multiple containers and solution transfers, which can lead to sample loss and contamination. A potential solution to these problems is to form integrated systems for sample processing relying on digital microfluidics1 (DMF). In previous work, DMF was shown to be useful for efficient removal of unwanted contaminants in heterogeneous protein-containing solutions.2 Likewise, DMF was shown to be compatible with integration of multistep solution-phase processing (reduction, alkylation and digestion) on an integrated device.3 Here, we have demonstrated a fully integrated system with automated droplet control for protein extraction by precipitation followed by solution-phase processing. We speculate that if methods such as these are widely adopted, the human error inherent in proteomic sample processing can be largely eliminated, resulting in analyses with better reproducibility. In short, we propose that DMF has the potential for being useful for a broad cross-section of applications, as the conditions can be precisely duplicated in any laboratory in the world.
Dziękujemy Radzie Badań Nauk Przyrodniczych i Inżynierii (NSERC) oraz Kanadyjskiemu Towarzystwu Onkologicznemu za wsparcie finansowe. SCCS dziękuje NSERC, a VNL dziękuje programowi stypendialnemu Ontario Graduate Scholarship (OGS) za stypendia dla absolwentów. ARW dziękuje CRC za Kanadyjską Katedrę Badawczą.