Summary

Bewertung der Auswirkungen der Proteinaggregation auf zellulären oxidativen Stress in der Hefe

Published: June 23, 2018
doi:

Summary

Proteinaggregation entlockt zellulären oxidativen Stress. Dieses Protokoll beschreibt eine Methode zur Überwachung der intrazellulären Staaten von Amyloidogenic Proteinen und den oxidativen Stress zugeordnet werden, mit Hilfe der Durchflusszytometrie. Der Ansatz dient zur Untersuchung des Verhaltens von löslichen und Aggregation neigende Varianten des β-Amyloid Peptids.

Abstract

Protein misfolding und Aggregation in Amyloid Konformationen haben an der Entstehung und Progression von mehreren neurodegenerativen Erkrankungen in Zusammenhang gebracht. Allerdings gibt es noch wenig Informationen über wie unlöslichen Protein Aggregate ihre toxische Wirkung in Vivoausüben. Einfaches Modell der prokaryotischen und eukaryotischen Organismen, wie Bakterien und Hefen, trugen wesentlich zur unsere gegenwärtigen Verständnis der Mechanismen hinter der intrazellulären Amyloid Bildung, Aggregate Ausbreitung und Toxizität. In diesem Protokoll bezeichnet man die Verwendung von Hefe als ein Modell, um die Beziehung zwischen der Entstehung von Protein-Aggregate und ihre Auswirkungen auf die zellulären oxidativen Stress zu sezieren. Die Methode verbindet die Erkennung der intrazellulären löslich/aggregiert Bundesstaat ein Amyloidogenic Protein mit der Quantifizierung der zellulären oxidativen Schäden, die aus ihren Ausdruck mit Durchflusszytometrie (FC). Dieser Ansatz ist einfach, schnell und quantitative. Die Studie zeigt die Technik durch Korrelation der zellulären oxidativen Stress, verursacht durch eine große Anzahl von Amyloid-β-Peptid-Varianten mit ihren jeweiligen inneren Aggregation Neigungen.

Introduction

Proteostase ist eine wesentliche Determinante des Zellprozesse Fitness und Alterung. In den Zellen bleibt Protein Homöostase durch anspruchsvolle Protein-Qualitätskontrolle, die Netzwerke zielte darauf ab, sicherzustellen, das richtige umfaltung fehlgefaltete Protein Konformere durch Chaperone und/oder ihre gezielten Proteolyse mit mehreren gut erhaltenen Mechanismen1 ,2,3,4,5. Eine große Anzahl von Studien unterstützen die Verbindung zwischen der Entstehung und Progression von ein breites Spektrum von Erkrankungen des Menschen und das Scheitern der proteostase, führt zu Protein misfolding und Aggregation. Zum Beispiel gilt das Vorhandensein von Proteinablagerungen eine pathologische Gütesiegel von vielen neurodegenerativen Erkrankungen wie Alzheimer, Parkinson und Huntington Krankheiten6,7,8, Prionogenic Krankheiten, und nicht-degenerativen Amyloidosen9. Es wurde vermutet, dass frühe Oligomere und Protofibrillar Baugruppen in der Aggregation Reaktion die wichtigsten spüren der Zytotoxizität sind, aberrante Interaktionen mit anderen Proteinen in den überfüllten zellulären Milieu10Aufbau. Darüber hinaus können Protein Einschlüsse (PI) zwischen den Zellen, verbreiten ihre toxische Wirkung11,12übertragen werden. Daher könnte es sein, dass die Bildung von PI in der Tat einen entgiftenden Mechanismus, der das Vorhandensein von gefährlichen aggregierten Arten zu bestimmten Stellen in der Zelle beschränkt darstellen, wo sie verarbeitet oder angesammelt ohne große Nebenwirkungen 13 , 14.

Standard in-vitro- biochemische Ansätze lieferten wichtige Einblicke in die verschiedenen Arten, die Aggregation Reaktionen und ihre Eigenschaften15,16bevölkern. Jedoch Bedingungen verwendet in diesen Tests unterscheiden sich deutlich von denen, die innerhalb der Zelle und ihre physiologische Bedeutung daher in Frage zu stellen. Aufgrund der bemerkenswerten Erhaltung zelluläre Signalwege wie Protein-Qualitätskontrolle, Autophagie oder die Regulierung der zellulären Redox Zustand17,18 unter Eukaryoten19,20,21 ,22,23, die angehende Hefe Saccharomyces Cerevisiae (S. Cerevisiae) entstanden als privilegierte einfaches zellulären Modell, die molekulare Determinanten der Proteinaggregation zu studieren und seiner zugehörigen zytotoxische Wirkung auf biologisch relevante Umgebungen24,25,26.

Protein Aggregation Neigung ist eine Funktion, die von Natur aus in der primären Sequenz codiert. So kann die Bildung der Amyloid-ähnliche Strukturen vorhergesagt werden, basierend auf die Identifikation und Bewertung der Potenz der Aggregation-Förderung Regionen in Polypeptide27. Trotz des Erfolgs der bioinformatische Algorithmen, die in-vitro- Aggregation-Eigenschaften von Proteinsequenzen vorherzusagen, sind sie jedoch noch lange nicht vorhersagen, wie diese Neigungen in in Vivo zytotoxische Wirkung zu übersetzen. Studien, die die Verbindung zwischen den aggregierten Zustand eines gegebenen Proteins und seiner damit verbundenen Zellschädigung in systematischer Weise ansprechen können helfen, um diese rechnerische Einschränkung zu umgehen. Diese Verbindung ist in der vorliegenden Studie, unter Ausnutzung von einer großen Anzahl von Varianten des β-Amyloid Peptids Aβ42 unterscheiden sich nur in einer einzigen Rückstand, aber Anzeige einen fortlaufenden Bereich von Aggregation Neigungen in Vivo28gerichtet. Insbesondere bezeichnet man ein FC-Ansatz für die Konformationsänderungen Arten entfallen die oxidativen Schäden hervorgerufen durch Aggregation neigen Proteine in Hefezellen zu identifizieren. Die Methode bietet viele Vorteile wie Einfachheit, Hochdurchsatz-Fähigkeit und genaue quantitative Messung. Dieser Ansatz ermöglichte es, dass PI eine schützende Rolle gegen oxidativen Stress spielen zu bestätigen.

Protocol

1. S. Cerevisiae Kulturen und Protein-Expression Hinweis: Aβ-Varianten weisen unterschiedliche relative Aggregation Neigungen aufgrund einer Mutation in einem einzigen Rückstand an Position 19 (Phe19) des Aβ42 Peptid (Abbildung 1A). Diese Peptid-Varianten sind mit grün fluoreszierenden Proteins (GFP), fungiert als eine Aggregation Reporter (Abbildung 1)29versehen. Plasmide, die Codierung …

Representative Results

Dieses Protokoll beschreibt, wie eine Sammlung von 20 Varianten des Peptids Aβ42 zu beschäftigen, wo Phe19 auf alle natürliche proteinogene Aminosäuren28mutiert worden ist. Die theoretische Aggregation Neigungen dieser Proteine können mit zwei verschiedenen bioinformatische Algorithmen (AGGRESCAN und TANGO31,32) analysiert werden. In beiden Fällen macht diese Analyse eine progressive Abstufung der Agg…

Discussion

Eine Vielzahl von Krankheiten ist die Anhäufung von fehlgefaltete Proteine in zellulären Einlagen6,7,8,33verbunden. Wurden viele Anstrengungen unternommen, um die molekularen Mechanismen zu entwirren, die das Auftreten dieser Krankheiten mit rechnerische Ansätze, die nicht ins Konto proteinkonzentrationen nehmen, auslösen oder in-vitro- Ansätze, in denen die Proteinkonzentration w…

Acknowledgements

   

Materials

Yeast cells BY4741  ATCC 201388 Genotype: MATa his3Δ1 leu2Δ0 met15Δ0 ura3Δ0
pESC(-Ura) plasmid  Agilent Genomics 217454 Yeast expression plasmid with a Gal promotor. Selectable marker URA3
Yeast Synthetic Drop-out Medium Supplements Sigma Y1501 Powder
Yeast Nitrogen Base Without Amino Acids Sigma Y0626 Powder
Raffinose Sigma R7630 Powder
Glucose Sigma G7021 Powder
Galactose Sigma G0750 Powder
Phosphate Buffered Saline (PBS) Fisher Scientific BP3991  Solution 10X
CellROX Deep Red Reagent  Life Technologies C10422 Free radical cell-permeant fluorescent sensor, non-fluorescent while in a reduced state, and exhibits bright fluorescence upon oxidation by reactive oxygen species (ROS), with absorption/emission maxima at 644/665 nm. 
Y-PER protein extraction reagent  Thermo Scientific 78990 Liquid cell lysis buffer
Acrylamide/Bis-acrylamide Sigma A6050 Solution
Bradford dye reagent Bio-Rad  5000205 Dye reagent for one-step determination of protein concentration
β-amyloid antibody 6E10  BioLegend 803001 Mouse IgG1. The epitope lies within amino acids 3-8 of beta amyloid (EFRHDS).
Goat anti-mouse IgG-HRP conjugate  Bio-Rad 1721011
Membrane Immobilon-P, PVDF Millipore IPVH00010
Luminata forte Merk WBLUF0100 Premixed, ready to use chemiluminescent HRP detection reagent
Phenylmethanesulfonyl fluoride solution (PMSF) Sigma 93482 Protease inhibitor. Dissolved at 0.1 M in ethanol
FACSCanto flow cytometer  BD Biosciences 657338 Equipped with a 488 nm blue laser for the detection of GFP, and 635 nm red laser / 530/30 nm BP filter and 660/20 BP filter
Mini Trans-Blot Electrophoresis Transfer cell Bio-Rad 1703930 Protein transference system
Mini-PROTEAN Tetra Handcast Systems Bio-Rad 1658000FC Electrophoresis system

References

  1. Frydman, J. Folding of newly translated proteins in vivo: the role of molecular chaperones. Annual Review of Biochemistry. 70, 603-647 (2001).
  2. Hartl, F. U., Bracher, A., Hayer-Hartl, M. Molecular chaperones in protein folding and proteostasis. Nature. 475, 324-332 (2011).
  3. Wong, E., et al. Molecular determinants of selective clearance of protein inclusions by autophagy. Nature Communications. 3, (2012).
  4. Winkler, J., Tyedmers, J., Bukau, B., Mogk, A. Chaperone networks in protein disaggregation and prion propagation. Journal of Structural Biology. 179, 152-160 (2012).
  5. Glickman, M. H., Ciechanover, A. The ubiquitin-proteasome proteolytic pathway: destruction for the sake of construction. Physiological Reviews. 82, 373-428 (2002).
  6. Dobson, C. M. Getting out of shape. Nature. 418, 729-730 (2002).
  7. Chiti, F., Dobson, C. M. Protein misfolding, functional amyloid, and human disease. Annual Review of Biochemistry. 75, 333-366 (2006).
  8. Aguzzi, A., O’Connor, T. Protein aggregation diseases: pathogenicity and therapeutic perspectives. Nature Reviews Drug Discovery. 9, 237-248 (2010).
  9. Rapezzi, C., et al. Transthyretin-related amyloidoses and the heart: a clinical overview. Nature Reviews Cardiology. 7, 398-408 (2010).
  10. Deas, E., et al. Alpha-synuclein oligomers interact with metal ions to induce oxidative stress and neuronal death in Parkinson’s disease. Antioxidants & Redox Signaling. 24, 376-391 (2016).
  11. Brundin, P., Melki, R., Kopito, R. Prion-like transmission of protein aggregates in neurodegenerative diseases. Nature Reviews Molecular Cell Biology. 11, 301-307 (2010).
  12. Frost, B., Diamond, M. I. Prion-like mechanisms in neurodegenerative diseases. Nature Reviews Neuroscience. 11, 155-159 (2009).
  13. Arrasate, M., Mitra, S., Schweitzer, E. S., Segal, M. R., Finkbeiner, S. Inclusion body formation reduces levels of mutant huntingtin and the risk of neuronal death. Nature. 431, 805-810 (2004).
  14. Ross, C. A., Poirier, M. A. Opinion: what is the role of protein aggregation in neurodegeneration?. Nature Reviews Molecular Cell Biology. 6, 891-898 (2005).
  15. Mishra, R., Sjölander, D., Hammarström, P. Spectroscopic characterization of diverse amyloid fibrils in vitro by the fluorescent dye Nile red. Molecular BioSystems. 7, 1232-1240 (2011).
  16. Klunk, W. E., Jacob, R. F., Mason, R. P. Quantifying amyloid by congo red spectral shift assay. Methods in Enzymology. 309, 285-305 (1999).
  17. Khurana, V., Lindquist, S. Modelling neurodegeneration in Saccharomyces cerevisiae: why cook with baker’s yeast?. Nature Reviews Neuroscience. 11, 436-449 (2010).
  18. Tenreiro, S., Outeiro, T. F. Simple is good: yeast models of neurodegeneration. FEMS Yeast Research. 10, 970-979 (2010).
  19. Moosavi, B., Mousavi, B., Macreadie, I. G. Yeast model of amyloid-β and Tau aggregation in Alzheimer’s disease. Journal of Alzheimer’s Disease. 47, 9-16 (2015).
  20. Tenreiro, S., Munder, M. C., Alberti, S., Outeiro, T. F. Harnessing the power of yeast to unravel the molecular basis of neurodegeneration. Journal of Neurochemistry. 127, 438-452 (2013).
  21. Yang, J., Hao, X., Cao, X., Liu, B., Nyström, T. Spatial sequestration and detoxification of huntingtin by the ribosome quality control complex. eLife. 5, (2016).
  22. Braun, R. J., Büttner, S., Ring, J., Kroemer, G., Madeo, F. Nervous yeast: modeling neurotoxic cell death. Trends in Biochemical Sciences. 35, 135-144 (2010).
  23. Figley, M. D., Gitler, A. D. Yeast genetic screen reveals novel therapeutic strategy for ALS. Rare Diseases. 1, e24420 (2013).
  24. Cooper, A. A., et al. Alpha-synuclein blocks ER-Golgi traffic and Rab1 rescues neuron loss in Parkinson’s models. Science. 313, 324-328 (2006).
  25. Johnson, B. S., McCaffery, J. M., Lindquist, S., Gitler, A. D. A yeast TDP-43 proteinopathy model: exploring the molecular determinants of TDP-43 aggregation and cellular toxicity. Proceedings of the National Academy of Sciences of the United States of America. 105, 6439-6444 (2008).
  26. Bharathi, V., et al. Use of ade1 and ade2 mutations for development of a versatile red/white color assay of amyloid-induced oxidative stress in saccharomyces cerevisiae. Yeast. 33, 607-620 (2016).
  27. Pallarès, I., Ventura, S. Advances in the prediction of protein aggregation propensity. Current Medicinal Chemistry. , (2017).
  28. Villar-Piqué, A., Ventura, S. Protein aggregation propensity is a crucial determinant of intracellular inclusion formation and quality control degradation. Biochimica et Biophysica Acta. 1833, 2714-2724 (2013).
  29. Navarro, S., Villar-Piqué, A., Ventura, S. Selection against toxic aggregation-prone protein sequences in bacteria. Biochimica et Biophysica Acta. 1843, 866-874 (2014).
  30. Morell, M., de Groot, N. S., Vendrell, J., Avilés, F. X., Ventura, S. Linking amyloid protein aggregation and yeast survival. Molecular BioSystems. 7, 1121-1128 (2011).
  31. Conchillo-Solé, O., et al. AGGRESCAN: a server for the prediction and evaluation of "hot spots" of aggregation in polypeptides. BMC Bioinformatics. 8, 65 (2007).
  32. Fernandez-Escamilla, A. M., Rousseau, F., Schymkowitz, J., Serrano, L. Prediction of sequence-dependent and mutational effects on the aggregation of peptides and proteins. Nature Biotechnology. 22, 1302-1306 (2004).
  33. Renner, M., Melki, R. Protein aggregation and prionopathies. Pathologie Biologie.(Paris). 62, 162-168 (2014).
  34. Carija, A., Navarro, S., de Groot, N. S., Ventura, S. Protein aggregation into insoluble deposits protects from oxidative stress. Redox Biology. 12, 699-711 (2017).

Play Video

Cite This Article
Carija, A., Ventura, S., Navarro, S. Evaluation of the Impact of Protein Aggregation on Cellular Oxidative Stress in Yeast. J. Vis. Exp. (136), e57470, doi:10.3791/57470 (2018).

View Video