Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biochemistry
Click here for the English version

Biochemistry

Semi-quantitative Analyse von Peptidoglycan mittels Flüssigkeitschromatographie, Massenspektrometrie und Bioinformatik

Published: October 13, 2020 doi: 10.3791/61799
Automatic Translation
1, 1, 2, 1
1Department of Molecular and Cellular Biology, University of Guelph, 2Mass Spectrometry Facility, University of Guelph

Summary

Dieses Protokoll umfasst eine detaillierte Analyse der Peptidoglykanzusammensetzung mittels Flüssigchromatographie-Massenspektrometrie in Verbindung mit fortschrittlicher Merkmalsextraktion und bioinformatischer Analysesoftware.

Abstract

Peptidoglycan ist ein wichtiger Bestandteil bakterieller Zellwände und ein häufiges zelluläres Ziel für antimikrobielle Mittel. Obwohl Aspekte der Peptidoglykanstruktur bei allen Bakterien ziemlich konserviert sind, gibt es auch erhebliche Unterschiede zwischen Gram-Positiven/Negativen und zwischen den Spezies. Darüber hinaus sind zahlreiche Variationen, Modifikationen oder Anpassungen des Peptidoglykans bekannt, die innerhalb einer Bakterienart als Reaktion auf die Wachstumsphase und/oder Umweltreize auftreten können. Diese Variationen erzeugen eine hochdynamische Struktur, von der bekannt ist, dass sie an vielen zellulären Funktionen beteiligt ist, einschließlich Wachstum/Teilung, Antibiotikaresistenz und Vermeidung der Wirtsabwehr. Um die Variation innerhalb des Peptidoglykans zu verstehen, muss die Gesamtstruktur in ihre Bestandteile (sogenannte Muropeptide) zerlegt und auf die gesamte zelluläre Zusammensetzung untersucht werden. Peptidoglycomics verwendet fortschrittliche Massenspektrometrie in Kombination mit einer leistungsstarken bioinformatischen Datenanalyse, um die Peptidoglykanzusammensetzung im Detail zu untersuchen. Das folgende Protokoll beschreibt die Reinigung von Peptidoglykan aus Bakterienkulturen, die Erfassung von Muropeptid-Intensitätsdaten durch ein Flüssigkeitschromatographen-Massenspektrometer und die Differentialanalyse der Peptidoglykanzusammensetzung unter Verwendung der Bioinformatik.

Introduction

Peptidoglycan (PG) ist ein charakteristisches Merkmal von Bakterien, das dazu dient, die Zellmorphologie aufrechtzuerhalten und gleichzeitig Proteine und andere zelluläre Komponenten strukturell zu unterstützen 1,2. Das Rückgrat von PG besteht aus abwechselnd β-1,4-verknüpfter N-Acetyl-Muraminsäure (MurNAc) und N-Acetylglucosamin (GlcNAc)1,2. Jedes MurNAc besitzt ein kurzes Peptid, das am ᴅ-Lactylrest gebunden ist und mit benachbarten disaccharidgebundenen Peptiden vernetzt werden kann (Abbildung 1A,B). Durch diese Vernetzung entsteht eine netzartige Struktur, die die gesamte Zelle umfasst und oft als Sacculus bezeichnet wird (Abbildung 1C). Während der PG-Synthese werden Vorläufer im Zytoplasma erzeugt und durch Flippasen durch die zytoplasmatische Membran transportiert. Vorläufer werden anschließend durch Transglykosylase- und Transpeptidase-Enzyme, die die glykosidischen bzw. Peptidbindungen produzieren, in das reife PG eingebaut3. Einmal zusammengesetzt, gibt es jedoch zahlreiche Enzyme, die von den Bakterien produziert werden, die das PG modifizieren und/oder abbauen, um eine Reihe von zellulären Prozessen durchzuführen, einschließlich Wachstum und Teilung. Darüber hinaus wurde gezeigt, dass verschiedene Modifikationen des PG anpassungsspezifische Anpassungen an den Stamm, die Wachstumsbedingungen und den Umweltstress verleihen, die mit der Zellsignalisierung, der antimikrobiellen Resistenz und der Immunevasion des Wirts in Verbindung gebracht wurden4. Eine häufige Modifikation ist beispielsweise die Hinzufügung einer C6-Acetylgruppe an das MurNAc, die Resistenz verleiht, indem sie den Zugang zu den Glykan-β-1,4-Bindungen an vom Wirt produzierte Lysozymenzyme einschränkt, die PG 4,5,6 abbauen. Bei Enterokokken verleiht die Substitution des terminalen ᴅ-Ala der Peptidseitenkette durch ᴅ-Lac eine größere Resistenz gegen das antimikrobielle Vancomycin 7,8.

Das allgemeine Verfahren zur PG-Isolierung und -Reinigung ist seit seiner Beschreibung in den 1960er Jahren relativ unverändertgeblieben 9. Bakterielle Membranen werden durch Wärmebehandlung mit SDS aufgelöst, gefolgt von enzymatischer Entfernung von gebundenen Proteinen, Glykolipiden und verbleibender DNA. Der gereinigte intakte Sacculus kann anschließend durch Hydrolyse der β-1,4-Bindung zwischen GlcNAc und MurNAc in die einzelnen Bestandteile aufgeschlossen werden. Dieser Aufschluss produziert GlcNAc-MurNAc-Disaccharide mit intakten strukturellen Modifikationen und/oder Vernetzungen, die als Muropeptide bezeichnet werden (Abbildung 1B).

Die Analyse der Zusammensetzung von PG wurde zunächst durch Hochdruckflüssigkeitschromatographie-Trennung (HPLC) durchgeführt, um jedes Murropeptid zu reinigen, gefolgt von einer manuellen Identifizierung von Muropeptiden10,11. Dies wurde inzwischen durch die Flüssigchromatographie-Tandem-Massenspektrometrie (LC-MS) abgelöst, die die Nachweisempfindlichkeit erhöht und den manuellen Arbeitsaufwand für die Reinigung jedes einzelnen Murropeptids verringert. Die zeitaufwändige und komplexe Natur der manuellen Identifizierung von Muropeptiden ist jedoch ein limitierender Faktor geblieben, der die Anzahl der durchgeführten Studien reduziert. In den letzten Jahren hat sich mit dem Aufkommen von "omic"-Technologien die automatisierte LC-MS-Merkmalsextraktion zu einem leistungsstarken Werkzeug entwickelt, das eine schnelle Erkennung und Identifizierung einzelner Verbindungen in komplexen Proben aus sehr großen Datensätzen ermöglicht. Sobald die Merkmale identifiziert sind, vergleicht die bioinformatische Software statistisch die Variation zwischen den Proben mithilfe der Differentialanalyse, isoliert selbst minimale Unterschiede zwischen dem komplexen Datensatz und zeigt sie dem Benutzer grafisch an. Die Anwendung von Merkmalsextraktionssoftware für die Analyse der PG-Zusammensetzung wurde gerade erst erforscht 12,13,14 und mit der bioinformatischen Analyse 12 gekoppelt. Im Gegensatz zur Proteomik-Analyse, die von den leicht verfügbaren Proteindatenbanken profitiert, die die Peptidfragmentierung vorhersagen und eine vollautomatische Identifizierung ermöglichen, gibt es derzeit keine Fragmentierungsbibliothek für Peptidoglykomics. Die Merkmalsextraktion kann jedoch mit bekannten und vorhergesagten Strukturdatenbanken gekoppelt werden, um die Identifizierung von Murropeptid12 vorherzusagen. Hier stellen wir ein detailliertes Protokoll für die Verwendung der LC-MS-basierten Merkmalsextraktion in Kombination mit einer Murropeptidbibliothek zur automatisierten Identifizierung und bioinformatischen Differentialanalyse der PG-Zusammensetzung vor (Abbildung 2).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Peptidoglycan Probenvorbereitung

  1. Wachstum von Bakterienkulturen
    HINWEIS: Das Wachstum der Bakterienkulturen variiert je nach Bakterienart und den untersuchten Wachstumsbedingungen. Die zu testenden experimentellen Parameter bestimmen die Wachstumsbedingungen.
    1. Züchten Sie Bakterienkulturen unter Wachstumsbedingungen, die für den Bakterienstamm und das experimentelle Design erforderlich sind. Züchten Sie Bakterien als dreifache Kulturen (biologische Replikate), d.h. drei separate Kolonien pro Stamm oder Wachstumsbedingung.
      ANMERKUNG: Es ist bekannt, dass die Wachstumsbedingungen und die Wachstumsphase signifikante Auswirkungen auf die PG-Zusammensetzung 1,2,10 haben. Es muss große Sorgfalt darauf verwendet werden, die Konsistenz zwischen Kulturen und Replikaten aufrechtzuerhalten, um sicherzustellen, dass Änderungen der Zusammensetzung auf die experimentellen Parameter und nicht auf experimentelle Fehler zurückzuführen sind.
    2. Die Kultur wird schnell auf 4 °C abgekühlt, durch Zentrifugation (11.000 x g, 10 min, 4 °C) gesammelt und das Zellpellet bei -20 °C eingefroren. Waschen Sie das Zellpellet vor dem Einfrieren mit vorgekühltem 4 °C, 20 mM Natriumphosphat pH 6,5. Die Herstellung des gefrorenen Zellpellets sollte so schnell und so konsistent wie möglich zwischen den Proben erfolgen, um die Aktivität von Enzymen zu begrenzen, die das PG während des Sammelprozesses verändern und/oder abbauen könnten. Die Proben können direkt durch den Extraktionsprozess (Abschnitt 1.2) ohne Einfrieren verarbeitet werden. Stellen Sie jedoch sicher, dass alle Proben auf ähnliche Weise verarbeitet werden.
      HINWEIS: Um ein ausreichendes Produkt für spätere Schritte zu gewährleisten, wird ein Nasszellenpellet mit ausreichender Größe verwendet. Dadurch entsteht ein ausreichend großes Sacculi Pellet, das während der sich wiederholenden Waschschritte (Abschnitte 1.2.5 und 1.2.14) ohne nennenswerten Produktverlust leicht visualisiert und gewartet werden kann. Je nach Bakterium und Wachstumsbedingungen wird diese Ausbeute wahrscheinlich variieren. Für das gramnegative Bakterium Pseudomonas aeruginosa ergaben PAO1, 4 l einer 0,5 OD600-Kultur ein 3–4 g Zellpellet und reichten aus, um ~10 mg gereinigte Sacculi zu produzieren (Abschnitt 1.2.17)12. Dies ist ein großer Überschuss an Sacculi als für die LC-MS erforderlich ist (Abschnitt 2); Es hilft jedoch bei der Messgenauigkeit (Abschnitt 1.2.17) und der Normalisierung (Abschnitt 1.3).
  2. Extraktion von Peptidoglykan-Sacculi
    HINWEIS: Das Protokoll für die Extraktion von PG wurde von ref.9,11,15. Dieses Protokoll extrahiert das PG aus einzelnen Bakterienzellen als Ganzes Sacculi, frei von anderen zellulären Komponenten. Das Protokoll kann entweder mit gramnegativen oder grampositiven Bakterien verwendet werden. Bei grampositiven Zellen können jedoch Anpassungen erforderlich sein, um die dickere PG-Struktur zu isolieren und Zellwand-assoziierte Polymere zu entfernen. wie Teichonsäuren.
    1. Resuspendieren Sie gefrorene Zellpellets bei etwa 1:10 des ursprünglichen Kulturvolumens von 20 mM Natriumphosphat pH 6,5. Dieser Schritt wird bei 4 °C durchgeführt (kann 1–8 mg Nasszellpelletgewicht pro ml Puffer11,12 betragen).
      HINWEIS: Um den Acetylierungszustand des PG aufrechtzuerhalten, ist ein pH-Wert von 6,5 oder niedrigererforderlich 15,16.
    2. Die Zellsuspension wird tropfenweise zu einem Siedegrad von 8 % Natriumdodecylsulfat (SDS) 20 mM Natriumphosphat pH 6,5 für ein endgültiges Volumen von 1:1 (d. h. die Endkonzentration beträgt 4 % SDS) unter leichtem Rühren in einem Rundkolben mit wassergekühltem Kondensator zugegeben. (Abbildung 2, Schritt 2)
    3. 30 Minuten bis 3 h unter Rühren sanft kochen, um eine vollständige Dissoziation der Membran zu gewährleisten. Stellen Sie sicher, dass die resultierende Mischung vollständig klar ist und keine Zellklumpen oder Viskosität verbleibt. Ein längeres Kochen wird bevorzugt, um eine vollständige Dissoziation zu gewährleisten.
    4. Auf Raumtemperatur abkühlen lassen. Die Probe kann über Nacht bei Raumtemperatur belassen werden.
      HINWEIS: Wenn Sicherheitsdatenblätter vorhanden sind, halten Sie die Proben bei Raumtemperatur, um das Sicherheitsdatenblatt in der Lösung zu halten.
    5. Sammeln Sie Sacculi als Pellet durch Ultrazentrifugation bei 70.000 x g für 40 Minuten (oder die Zeit, die erforderlich ist, um Sacculi vollständig zu sedimentieren) bei 25 °C.
    6. Wiederholtes Waschen der Sacculi durch sukzessive Ultrazentrifugation (Abschnitt 1.2.5) und Suspension in ~50 ml Raumtemperatur 20 mM Natriumphosphat pH 6,5, bis der Waschpuffer eine SDS-Konzentration von ~0,001% aufweist. In der Regel sind 5 bis 7 Wäschen ausreichend.
      HINWEIS: Um die Konzentration des verbleibenden Sicherheitsdatenblatts im Waschpuffer zu testen, verwenden Sie den kolorimetrischen Farbstoff Stains-all17.
    7. Resuspendieren Sie Sacculi in 5–10 ml Raumtemperatur 20 mM Natriumphosphat pH 6,5.
    8. Beschallen Sie die Probe kurz (~40%, 50 W, 20 kHz, 20 s) bei Raumtemperatur, um Klumpen zu dispergieren.
      HINWEIS: Eine ausgedehnte Beschallung führt mechanisch zu einer Scherung der PG-Struktur18.
    9. Die Probe wird mit je 50 μg/ml Amylase, DNase und RNase, 10 mM Magnesiumsulfat ergänzt und bei 37 °C für 1 h durch Rühren oder Nutation aufgeschlossen.
      HINWEIS: Die Amylase-Verdauung entfernt das verbleibende Glykogen, das in den Sacculi11 eingeschlossen ist.
    10. 100 μg/ml Pronase zugeben und bei 37 °C über Nacht unter Rühren oder Nutieren und ~0,02% Natriumazid verdauen.
      ANMERKUNG: Bei der Pronase-Verdauung werden die zugesetzten Enzyme entfernt (siehe Abschnitt 1.2.9) und Lipoproteine, die kovalent mit dem PG verknüpft sind.
      VORSICHT: Natriumazid ist hochgiftig und erfordert eine ordnungsgemäße Verwendung/Entsorgung.
    11. Ultrazentrifugieren bei 70.000 x g für 40 min (oder die Zeit, die erforderlich ist, um Sacculi vollständig zu sedimentieren) bei 25 °C, um Natriumazid zu entfernen.
    12. Resuspendieren Sie das Pellet in 25 ml 2% SDS 20 mM Natriumphosphat pH 6,5.
    13. 1 h in einem Dampfgarer oder Rundkolben mit wassergekühltem Kondensator kochen (Abschnitt 1.2.2).
      HINWEIS: Der zweite SDS-Kochschritt entfernt alle verbleibenden Proteine und Verunreinigungen aus den Sacculi.
    14. Wiederholen Sie die Sacculi-Wäsche (Abschnitt 1.2.6) mit ~50 ml doppelt destilliertem Wasser bei Raumtemperatur (ddH2O), bis die SDS-Konzentration ~0,001 % beträgt.
    15. Resuspendieren Sie das Pellet in einer ausreichenden Menge ddH2O, um die Sacculi zu suspendieren, waschen Sie den Behälter (z. B. 25 ml) und frieren Sie es über Nacht bei -80 °C ein. Das Volumen kann variieren, da die Probe im nächsten Schritt lyophilisiert wird, obwohl kleinere Volumina weniger Zeit für die Lyophilisierung benötigen.
    16. Am nächsten Tag lyophilisieren Sie die Suspension und lagern Sie sie bei Raumtemperatur.
    17. Messen Sie die Menge der lyophilisierten Sacculi, die auf einer Analysenwaage erhalten wurde.
    18. Verdünnen Sie die Sacculi in ddH2O auf 10 mg/ml und beschallen Sie sie kurz, um die Klumpen vor der weiteren Analyse aufzulösen.
  3. Quantifizierung von gereinigtem Peptidoglykan
    1. Quantifizierung der Menge an gereinigten Sacculi gemäß Abschnitt 1.2.18, um sicherzustellen, dass die Massenspektrometriedaten während der Differentialanalyse (Abschnitt 3.2) ausgeglichen werden. Befolgen Sie die detaillierte Methodik, die in Referenz15 beschrieben ist.
      ANMERKUNG: Gereinigte Sacculi (Abschnitt 1.2.18) werden durch Säurehydrolyse in einzelne Zucker- und Aminosäurebestandteile zerlegt. Einzelne Komponenten werden durch Anionenaustauschchromatographie mittels gepulster amperometrischer Detektion getrennt und quantifiziert. Aufgrund der Struktur von PG (Abbildung 1) bestehen einzelne Murropeptika aus einem einzelnen MurNAc und einem einzelnen GlcNAc-Rest. Daher stellt die Quantifizierung der Konzentration beider Reste die Menge der Muropeptide 1:1 in der Probe dar. MurNAc wird aufgrund der sauberen Peaktrennung von anderen PG-Komponenten während der Chromatographie16 bevorzugt.

2. Massenspektrometrische Datenerfassung

  1. Herstellung von Muropeptiden für die Massenspektrometrie
    1. Ergänzen Sie 800 μg gereinigte Sacculi mit 100 μg/ml Mutanolysin, 100 mM Ammoniumacetat pH 5,5 und 50 mM Magnesiumchlorid in einer 100 μl-Reaktion.
    2. Nachts bei 37 °C aufgießen.
    3. 1:1 Volumen 0,5 M Boratpuffer pH 9,0 zugeben und mit ~10 mg/ml Natriumborhydrid (NaBH4) ergänzen.
      HINWEIS: Die Mutarotation von cyclischen Zuckern zwischen α und β anomeren Formen führt zu mehreren Peakbildungen während der flüssigchromatographischen Trennung der Muropeptide. Die Behandlung mit NaBH4 eliminiert die Umwandlung zwischen den beiden Formen, indem MurNAc zu Muramitol11 reduziert wird. Durch die Behandlung werden 1,6-Anhydro-MurNAc- oder 1,4-verknüpfte Zuckerreste nicht reduziert.
      ACHTUNG: Bei der Reaktion von NaBH4 entstehen geringe Mengen Wasserstoffgas. Die NaBH4-Reaktion erzeugt Blasen und Mikrofugenröhrchen sollten offen gehalten werden, damit Gas entweichen kann.
    4. Inkubieren Sie die Probe bei Raumtemperatur für ~20–30 min.
    5. Zentrifugieren Sie kurz, um die Probe im Mikrofugenröhrchen abzusetzen und Blasen zu entfernen.
    6. Stellen Sie den pH-Wert auf <4,0 ein, indem Sie 1:5 Phosphorsäure verwenden, die in Schritten von 5 μl hinzugefügt wird. Testen Sie den pH-Wert mit Lackmus-pH-Teststreifen.
    7. Zentrifugieren Sie bei ~17.000 x g für 1 Minute, um das restliche unlösliche Material zu sedimentieren.
    8. Filtern Sie mit 0,2 μm Mikrozentrifugenfiltern.
    9. Die Proben werden vor der Injektion in LC-MS 10 Minuten lang bei 30.000 x g zentrifugiert, um sicherzustellen, dass keine Partikel in MS injiziert werden.
  2. Aufbau von LC-MS
    1. Befestigen Sie eine oberflächlich poröse C18-Partikelsäule (100 mm x 2,1 mm, Porengröße <3 μm) an einem Quadrupol-Flugzeit-Massenspektrometer (QTOF) mit einer minimalen Detektionsgenauigkeit von vier Dezimalstellen m/z .
    2. Führen Sie eine flüssigchromatographische Trennung von Muropeptiden durch
      ANMERKUNG: Jedes biologische Triplikat (Abschnitt 1.1.1) sollte dreimal durch das LC-MS (Abschnitte 2.2.2 bis 2.2.3) durchlaufen werden (technisches Dreifach). Daher verfügt jede getestete Bedingung über insgesamt neun LC-MS-Datendateien. Die Datenerfassung erfolgte mit handelsüblicher Software (siehe Materialtabelle). Die Erfassungssoftware sollte jedoch auf der Grundlage der MS-Maschinen ausgewählt werden. Im Folgenden finden Sie eine Anleitung zum Einrichten des MS mit Parametern, die für die Ausführung dieses Protokolls spezifisch sind. Eine detaillierte Beschreibung entnehmen Sie bitte dem Handbuch des Herstellers.
      1. Zur chromatographischen Trennung werden die folgenden Lösungsmittel 0,1% Ameisensäure (A) und Acetonitril mit 0,1% Ameisensäure (B) hergestellt.
      2. Richten Sie eine Methode zur chromatographischen Trennung mit den folgenden Parametern ein.
      3. Stellen Sie die Durchflussrate auf 0,4 ml/min ein.
      4. Konditionieren Sie die Säule für 10 Minuten bei 2% B (~24 Säulenvolumen).
      5. Mit einem Autosampler werden 10 μl der Probe aus Abschnitt 2.1.9 injiziert.
        HINWEIS: Führen Sie eine erste Probe durch das LC-MS-Protokoll, bevor Sie mit der Datenerfassung beginnen. Dieser Lauf wird nicht für Daten verwendet, sondern um die Reproduzierbarkeit der Aufbewahrungszeit für alle nachfolgenden Läufe zu erhöhen. Die Reproduzierbarkeit der Retentionszeit ist während der spektralen Verarbeitung (Abschnitt 3.1) für die genaue Identifizierung und Gruppierung von Masse-zu-Ladungs-Verhältnis-Peaks (m/z) erforderlich.
      6. Trennen Sie Muropeptide mit 2% B für 5 min (~ 12 Säulenvolumen), erhöhen Sie es dann auf 15% B über 13 min (~ 30 Säulenvolumen), erhöhen Sie es weiter auf 50% B über 10 min (~ 24 Säulenvolumen) und erhöhen Sie es schließlich auf 98% B über 2 min (~ 5 Säulenvolumen).
        HINWEIS: Verwerfen Sie die ersten 2 Minuten und die letzten 5 Minuten des Farbverlaufs (werfen Sie sie in den Abfall).
      7. Zum Schluss mit einer Säulenwäsche bei 98 % B für 6 min (~14 Säulenvolumen) und 20 min (~47 Säulenvolumen) re-equilibrieren.
    3. Massenspektrometrische Detektion von Muropeptiden
      1. Kalibrieren Sie die Massenachse im positiven Modus mit einer Tuning-Mischung aus Acetonitril, die LC-MS-Referenzmassenstandards enthält, gemäß den Anweisungen des MS-Herstellers.
        ANMERKUNG: Der MS wird vor Beginn der chromatographischen Läufe eingestellt (Abschnitt 2.2.2.1).
      2. Richten Sie eine Methode für die MS-Datenerfassung mit den folgenden Parametern ein.
        ANMERKUNG: MS- und MS/MS-Daten werden gleichzeitig mit der chromatographischen Trennung der Muropeptide (Abschnitte 2.2.2.4 und 2.2.2.5) erhoben (Abschnitte 2.2.3.2 bis 2.2.3.6). Sowohl chromatographische als auch MS-Parameter (Abschnitte 2.2.2.2 und 2.2.3.2) sind eine einzige Methode, die beim Einrichten eines Arbeitsvorrats für die Ausführung mehrerer Proben nacheinander hinzugefügt wird.
      3. Stellen Sie die Elektrospray-Kapillarspannung auf 4,0 kV und die Trocknungsgastemperatur auf 350° C mit einer Durchflussrate von 13 L/min ein.
        HINWEIS: Stickstoff (Reinheit >99%) sollte bei der gesamten Massenspektrometrie-Datenerfassung als Vernebelungs-, Trocknungs- und Kollisionsgas verwendet werden.
      4. Stellen Sie den Verneblerdruck auf 40 psi und den Fragmentierer auf 150 V ein.
      5. Stellen Sie die HF-Spannungen der Düse, des Skimmers und des Oktappols auf 1000 V, 65 V bzw. 750 V ein.
      6. Stellen Sie den Scanbereich auf 300–2.000 m/z im 4-GHz-Positiv-Ionen-Modus (erweiterter Dynamikbereich) ein.
      7. Stellen Sie die Datenerfassung mithilfe der datenabhängigen MS/MS-Erfassung mit einer MS- und MS/MS-Scanrate von 1 Spektren/Sekunde ein. Wählen Sie fünf Vorläufermassen pro Zyklus in der Reihenfolge von einfach, doppelt und dreifach geladen.
      8. Stellen Sie die MS/MS-Fragmentierungskollisionsenergien auf 15, 20 und 30 eV ein.

3. Differentielle Analyse der Murropeptidhäufigkeit

  1. LC-MS-Chromatogramm-Spektralverarbeitung
    HINWEIS: Die rekursive Merkmalsextraktion wurde mit kommerziell erhältlicher Software durchgeführt (siehe Materialtabelle). Andere Software zum Extrahieren von Funktionen kann verwendet werden. Andere Software erfordert jedoch möglicherweise eine zusätzliche manuelle Datenverarbeitung, um die äußerst robuste rekursive Extraktion zu erreichen. Verschiedene Software verwendet die Terminologiefunktion, die Entität und die Verbindung fast austauschbar. Für die PG-Analyse beziehen sich alle auf die Identifizierung des LC-MS-Ionenchromatogramms, das für ein einzelnes Murropeptid repräsentativ ist (z. B. Abbildung 3). Während der spektralen Verarbeitung (Abschnitt 3.1) stellt ein Merkmal die multiplen m/z-Peaks dar, die die mehreren möglichen Ionenspezies eines einzelnen Murropeptids umfassen, die unter einer einzigen Verbindungsmarkierung zusammengefasst sind.
    1. Starten Sie unter Datei ein neues Projekt.
    2. Fügen Sie die LC-MS QTOF-Datendateien hinzu und ordnen Sie einzelne Datendateien einer experimentellen Bedingung / Gruppe zu, z. B. zwei verschiedenen Wachstumsbedingungen.
    3. Führen Sie den Datenverarbeitungsassistenten Batch-Extraktion rekursiver Merkmale (kleine Moleküle/Peptide) aus und stellen Sie die Datenverarbeitungsfilter so ein, dass sie mit den Parametern der LC-MS-Bedingungen und -Instrumente übereinstimmen, um m/z-Peaks , die einzelne Muropeptide darstellen, genau zu identifizieren, zu gruppieren und zu verifizieren. Untersuchen Sie anhand des Chromatogramms die Retentionszeitdrift und die Variation von m/z bekannter ähnlicher Peaks, um die anfänglichen Filterparameter einzustellen.
      HINWEIS: Die rekursive Merkmalsextraktion verwendet einen anfänglichen, ungezielten Algorithmus zur Extraktion molekularer Merkmale, um Chromatogrammmerkmale (m/z-Peaks ) in allen Datendateien zu identifizieren und auszurichten. Nach der Erstellung werden diese Merkmale verwendet, um die ursprünglichen Datendateien (rekursiv) mit einem gezielten Algorithmus zur Extraktion molekularer Merkmale neu zu bewerten, um die Zuverlässigkeit und Genauigkeit der identifizierten Merkmale zu verbessern. Es empfiehlt sich, die anfängliche ungezielte Extraktion mit einem engen Erkennungsfenster festzulegen und breitere Erkennungsparameter für die rekursive Extraktion zu verwenden, um Spitzen in allen Datendateien zu identifizieren, die bei der anfänglichen Extraktion möglicherweise fehlen. Das Ausführen der rekursiven Feature-Extraktion kann Stunden dauern, abhängig von der Anzahl der Stichproben, der Komplexität der Daten und der vorhandenen Computerhardware
    4. Überprüfen Sie die Ergebnisse der Feature-Extraktion. Wenn eine signifikante Anzahl von Features in einer Gruppe nicht ausgerichtet werden konnte, passen Sie die rekursiven Filterparameter an, um das Erkennungsfenster nach Bedarf zu erweitern/einzuschränken. Um dies zu erreichen, überprüfen Sie das Chromatogramm und das Isotopenprofil jedes extrahierten Merkmals, um sicherzustellen, dass die Merkmalserkennung in allen Datendateien auf ähnliche Weise durchgeführt wurde. Untersuchen Sie außerdem für jedes identifizierte Feature in einer Datendatei die Bewertung, alle Warnungen und ob das Feature die ausgewählten Filterparameter übergeben hat.
      HINWEIS: Es muss darauf geachtet werden, dass die Erkennungsfenster so eng sind, dass unterschiedliche Features nicht fälschlicherweise gruppiert werden. Dies wird häufig durch unterschiedliche Isotopenprofile zwischen Datendateien oder signifikante Variationen der m/ z/ Retentionszeit festgestellt. Umgekehrt, wenn es mehrere Merkmale mit ähnlichen m/z - und Retentionszeiten gibt, ist es möglich, dass die Filterparameter zu streng waren, was dazu führte, dass ein MS-Peak in zwei Merkmale aufgeteilt wurde. Führen Sie daher die Merkmalsextraktion (Abschnitt 3.1.3) erneut mit angepassten Aufbewahrungszeitfilterparametern aus, um eine bessere Gruppierung dieser Merkmale zu ermöglichen. Die Visualisierung der niedrigsten Häufigkeitsspitzen gibt Aufschluss darüber, ob die verwendeten Filter (Abschnitt 3.1.3) die Spitzen über dem Hintergrundrauschen genau identifiziert haben. Wenn die niedrigsten Häufigkeitsspitzen dem Hintergrund ähnlich erscheinen, führen Sie die Feature-Extraktion mit neuen Hintergrundfilterparametern erneut aus.
    5. Exportieren Sie die Daten als zusammengesetzte Austauschdatei (.cef) (ein Format, das mit dem statistischen Softwareprogramm kompatibel ist) oder als spaltengetrennte Datei (.csv), die die Masse, die Retentionszeit und die Häufigkeit jedes Merkmals für jede Probe enthält.
  2. Differentielle Analyse spektraler Merkmale
    ANMERKUNG: Die Differentialanalyse wurde mit handelsüblicher Software durchgeführt (siehe Materialtabelle). Andere bioinformatische Software kann verwendet werden.
    1. Öffnen Sie das Programm und starten Sie auf Aufforderung ein neues Projekt.
    2. Befolgen Sie die Anweisungen zum Datenimport und zur Datenanalyse. Laden Sie während des Datenimports die extrahierten Dateien hoch (Abschnitt 3.1). Wählen Sie während der Datenanalyse Signifikanz und Faltungsänderung für die Differentialanalyse aus, und wählen Sie die Basisdaten für die mittlere Intensität in allen Datendateien aus. Setzen Sie keine Datenfilter (wenn dies im vorherigen Spektrenverarbeitungsschritt (Abschnitt 3.1) durchgeführt wurde), da das erneute Anwenden von Filtern die robuste rekursive Merkmalsextraktion zunichte machen würde. Ähnlich wie bei der Merkmalsextraktion muss die Differentialanalyse jedoch auf der Grundlage der Masse (m/z) und der Retentionszeit aufgrund der Drift in der LC-MS-Datenerfassung ausgerichtet werden. Verwenden Sie die Parameter, die in der Merkmalsextraktion (Abschnitt 3.1) ermittelt wurden.
      HINWEIS: Normalisieren Sie zwischen Datendateien mit der Murropeptid-Quantifizierung (Abschnitt 1.3), um sicherzustellen, dass Variationen auf experimentelle Parameter und nicht auf Variationen in der Sacculi-Reinigung zurückzuführen sind (Abschnitt 1.2). Verwenden Sie die externe Scaler-Option, um jede Datendatei an Unterschiede in der MurNAc-Konzentration der Probe anzupassen.
    3. Sobald die Analyse abgeschlossen ist, untersuchen Sie die resultierenden grafischen und statistischen Analysen, um Muropeptide zu identifizieren, die eine signifikante Abundanzänderung zwischen den getesteten experimentellen Bedingungen zeigen.
    4. Klicken Sie im Projektnavigator mit der rechten Maustaste auf die verschiedenen Analysen und wählen Sie eine Exportoption, um Feature-Details als spaltengetrennte (.csv) Datendatei zu speichern, die die m/z-, Retentionszeit-, Roh- und normalisierten Intensitätswerte, p-Wert, FDR und Faltungsänderungen für jedes Feature enthält. Es müssen mehrere Analysen gespeichert werden, um alle relevanten Daten zu erhalten.
    5. Exportieren Sie eine zweite .csv Datei, die nur die Muropeptide enthält, die die statistischen Analysen übertroffen haben, einschließlich p-Wert <0,05 und Faltungsänderung >2.
  3. Annotation der Murropeptididentität zu spektralen Merkmalen
    HINWEIS: Jedem identifizierten Merkmal muss eine vorhergesagte Murropeptidstruktur zugewiesen werden, die auf dem m/z basiert, und diese Annotation muss durch Untersuchung der MS/MS-Fragmentierung bestätigt werden. Nach der Bestätigung der Anmerkungen kann es erforderlich sein, die Differentialanalyse durchzuführen und zu verfeinern (Abschnitt 3.2).
    1. Wählen Sie in der Differentialanalyse-Software unter Ergebnisinterpretation die Option ID-Browser aus. Fügen Sie eine Bibliothek der erwarteten Murropeptidstrukturen hinzu und wählen Sie ähnliche Parameter wie zuvor aus (Abschnitt 3.1.3). Dadurch wird eine vorhergesagte Murropeptid-Annotation für jedes identifizierte Merkmal erzeugt. Eine Bibliothek von Murropeptidstrukturen kann unter Verwendung der m/z für vorhergesagte Murropeptidstrukturen und der MS-Datenbanksoftware erstellt werden (siehe Materialtabelle). Eine Bibliothek der m/z von >6.000 möglichen Muropeptiden findet sich jedoch in Referenz12.
    2. Wählen Sie die vorhergesagte Murropeptid-Annotation basierend auf dem Matching-Score und der biologischen Relevanz des vorhergesagten Murropeptids aus, d.h. wählen Sie das wahrscheinlichste Murropeptid aus, das in der biologischen Probe vorhanden ist.
    3. Bestätigen Sie die vorhergesagte Murropeptid-Annotation manuell, indem Sie die m/z-Peaks des MS/MS-Chromatogramms mit den vorhergesagten m/z aller möglichen Fragmentierungen einer bekannten Murropeptidstruktur vergleichen (z. B. Abbildung 4).
      1. Zeigen Sie die MS- und MS/MS-Daten mit einem Chromatogramm-Anzeigeprogramm an (siehe Materialtabelle, Abbildung 4).
      2. Zeichnen Sie die vorhergesagte Murropeptidstruktur mit einem molekularen Editor (Programm zum Zeichnen chemischer Strukturen) (siehe Materialtabelle, Abbildung 4, grauer Einschub). Verwenden Sie das Massenfragmentierungswerkzeug, um die m/z von MS-Fragmenten anzuzeigen, wenn jede Bindung entweder einzeln oder in Kombination gebrochen wird.
        HINWEIS: Abhängig von der Fragmentierungsenergie, die für MS/MS verwendet wird, kann die Fragmentierung an jeder Bindung in der Murropeptidstruktur auftreten. Einige Bindungen sind jedoch bei niedrigeren Energieniveaus leichter / häufiger fragmentiert. Zum Beispiel tritt die Fragmentierung in der Peptidseitenkette am häufigsten an der Amidbindung zwischen Aminosäuren auf. Bei der Beurteilung der Fragmentierung ist zu beachten, dass GlcNAc-Reste sehr leicht aus dem Murropeptid fragmentiert werden. Daher sollte die Fragmentierung der bekannten Murropeptidstruktur mit und ohne GlcNAc beurteilt werden. Aufgrund der Fragmentierung des GlcNAc in der Quelle können mehrere Merkmale, die in der spektralen Verarbeitung extrahiert wurden (Abschnitt 3.1), eine einzelne Murropeptidstruktur darstellen. Wenn diese Merkmale gefunden werden, sollten sie zusammengeführt und die Differentialanalyse neu bewertet werden.
      3. Vergleichen Sie alle möglichen Fragmentierungen der ermittelten Murropeptidstruktur (Abschnitt 3.3.3.2) mit dem MS/MS-Chromatogramm (Abschnitt 3.3.3.1). Um die Murropeptid-Annotation zu bestätigen, sollten die m/z-Peaks mehrerer Fragmente im MS/MS-Chromatogramm mit einem sehr minimalen m/z-Ausrichtungsfenster gefunden werden (Abbildung 4).
      4. Um die Murropeptididentität im Falle einer mehrdeutigen MS/MS-Fragmentierung aufzuklären, wiederholen Sie die Abschnitte 2.2.2 bis 2.2.3 mit Proben (Abschnitt 2.1.9) für eine zusätzliche MS/MS-Datenerfassung mit einer bevorzugten Vorläuferliste von m/z und Retentionszeit mit zusätzlichen MS/MS-Fragmentierungskollisionsenergien.
    4. Führen Sie für co-eluierende Entitäten, die als dasselbe Murropeptid annotiert wurden, die Differentialanalyse (Abschnitt 3.2.2) erneut durch und führen Sie die extrahierten Merkmale zusammen.
  4. Bewertung globaler Veränderungen in Murropeptidmodifikationen
    1. Bearbeiten Sie die .csv-Datei (Abschnitt 3.2.4) der statistisch signifikanten Muropeptide mit hoher Faltungsänderung so, dass sie für jede Murropeptidmodifikation eine einzelne Spalte enthält. Füllen Sie diese Spalte mit einer Bezeichnung für jedes annotierte Murropeptid (Abschnitt 3.3) (z. B. acetyliert versus de-N-acetyliertes GlcNAc oder MurNAc).
    2. Laden Sie die geänderte .csv-Datei in Perseus22,23 hoch. Importieren Sie die normalisierten Intensitätswerte in das Feld Hauptimport und importieren Sie die Änderungsbezeichnung in das Feld Kategorischer Import.
    3. Klicken Sie unter "Zeilen kommentieren" auf " Zeilen kategorisch annotieren " und fügen Sie jedem experimentellen Parameter Datendateien hinzu.
    4. Klicken Sie unter Test auf zwei Beispieltests, um den t-Test eines Schülers durchzuführen (p-Wert < 0,05, FDR < 0,05, s0 = 1).
    5. Klicken Sie auf 1D, um die 1D-Anmerkung22,23 durchzuführen. Eine 1D-Annotation FDR < 0,05 weist auf eine signifikante Abundanzänderung der Murropeptidmodifikation zwischen den getesteten experimentellen Parametern hin. Wenn Sie den Schwellenwert (s0) = 1 festlegen, werden die FDR-Werte der 1D-Annotation für alle Muropeptide angezeigt.
    6. Erstellen Sie in einer Grafiksoftware (siehe Materialtabelle) eine Heatmap der Abundanzfaltungsänderung für jede Murropeptidmodifikation und zeigen Sie den 1D-Annotationswert an, um die Signifikanz zu demonstrieren (Abbildung 5B). Die Faltungsänderung jeder Murropeptidmodifikation kann in Microsoft Excel unter Verwendung der Rohintensitäten aller einzelnen Murropeptide, die die Modifikation enthalten, erzeugt werden.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Die erhöhte Nachweisempfindlichkeit von MS-Maschinen in Verbindung mit einer leistungsstarken Peak-Erkennungssoftware hat die Fähigkeit verbessert, die Substanzzusammensetzung komplexer Proben bis ins kleinste Detail zu isolieren, zu überwachen und zu analysieren. Unter Verwendung dieser technologischen Fortschritte haben neuere Studien zur Peptidoglykanzusammensetzung begonnen, automatisierte LC-MS-Merkmalsextraktionstechniken 12,13,14,24 gegenüber älteren HPLC-basierten Methoden zu verwenden 11,25,26,27,28,29,30,31 . Obwohl es zahlreiche generische Softwarepakete zur Merkmalsextraktion gibt, ist kommerzielle Software, die rekursive Merkmalsextraktion verwendet, schnell und äußerst robust, indem sie automatisch alle Ladungen, Isotope und Adduktversionen jedes im LC-MS-Datensatz gefundenen Murropeptids identifiziert und kombiniert (Abbildung 3). Darüber hinaus werden anfängliche Retentionszeiten, m/z- und Isotopenmuster extrahierter Merkmale verwendet, um den Datensatz neu zu bewerten (rekursiv), um eine genaue Identifizierung jedes Merkmals in allen Datendateien zu gewährleisten. Daher hilft der rekursive Algorithmus bei der Validierung und Erhöhung des Vertrauens in die Peak-Identifizierung. Die meisten generischen Merkmalsextraktionsprogramme gruppieren keine Ladungen/Isotope usw. und erfordert dies als zusätzlichen manuellen Schritt. Darüber hinaus sind generische Programme weniger robust, da Features separat in jeder Datendatei extrahiert werden und nicht als ganzer Datensatz, der Teil des rekursiven Algorithmus ist.

Das hier vorgestellte peptidoglykomische Protokoll wurde kürzlich verwendet, um die Zusammensetzungsänderungen von PG zwischen zwei physiologischen Wachstumsbedingungen zu untersuchen, nämlich dem frei schwimmenden planktonischen und dem stationären kommunalen Biofilm12. Mit Hilfe einer hochsensitiven QTOF-MS in Verbindung mit der rekursiven Merkmalsexuktion wurden 160 verschiedene Muropeptide erkannt und verfolgt. Dies entsprach dem Achtfachen der Anzahl der zuvor in diesem Organismus identifizierten Muropeptide (29,32) und mehr als dem Doppelten der Muropeptide, die mit anderen Methoden in anderen Organismen identifiziert wurden(10,14,24).

Die Zuordnung jedes aus den MS-Daten extrahierten m/z-Peaks zu einem bestimmten Murropeptid wird durch Querverweise mit einer Datenbank bekannter und vorhergesagter Murropeptidstrukturen erleichtert. Das Fragmentierungs-MS/MS-Chromatogramm (Abbildung 4) für jedes extrahierte Merkmal wird mit dem Fragmentierungsprofil (Abbildung 4, grauer Einschub) des unter Verwendung der Datenbank vorgeschlagenen Murropeptids verglichen.

Peptidoglycomic-Daten können je nach Versuchsaufbau und gestellten Fragen auf verschiedene Arten betrachtet werden. Eine solche grafische Analyse kann die Hauptkomponentenanalyse (PCA), Streudiagramme, Vulkandiagramme, Heatmaps und hierarchische Clustering-Analysen umfassen. Zum Beispiel zeigen Vulkandiagramme Muropeptide, die eine statistisch signifikant hohe Abundanzänderung zwischen den getesteten Bedingungen aufweisen (Abbildung 5A). Diese ausgewählten Murropeptide, die signifikante Abundanzänderungen zwischen den getesteten Bedingungen darstellen, können weiter auf Murropeptidmodifikationen untersucht werden. Diese Modifikationen können das Vorhandensein von Aminosäuresubstitutionen, Acetylierungsänderungen oder das Vorhandensein von Amidaseaktivität umfassen. Wenn sie zusammen untersucht werden, können mehrere Muropeptide, die die gleiche Modifikation besitzen, auf einen Trend zu einer experimentellen Bedingung untersucht werden (Abbildung 5A - hervorgehobene Punkte grün) und die gesamte Gruppe auf Signifikanz untersucht werden (Abbildung 5B). Die Verfolgung einer Murropeptidmodifikation auf diese Weise kann auf eine bestimmte enzymatische Aktivität hinweisen, die durch den experimentellen Parameter beeinflusst wird. Darüber hinaus können Ausreißer aus diesem Trend auf eine enzymatische Aktivität mit einer bestimmten Spezifität oder biologischen Funktion hinweisen (Abbildung 5A – orangefarbene Punkte).

Figure 1
Abbildung 1: Beispiel für eine typische gramnegative Peptidoglykanstruktur. (A) Bei gramnegativen Bakterien befindet sich Peptidoglykan im Periplasma zwischen der inneren und äußeren Membran. (B) Ein einzelnes Murropeptid besteht aus einem β-1,4-verknüpften N-Acetylglucosamin (GlcNAc) (blau) und einer N-Acetyl-Muraminsäure (MurNAc) (lila) mit einer angehängten Peptidseitenkette (orange). Die Peptidseitenkette kann mit der Seitenkette des benachbarten Murropeptids vernetzt sein, wodurch das reife netzartige Peptidoglykan (A) entsteht. Die Reinigung beinhaltet die Isolierung des Peptidoglykans aus der gesamten Zelle als Sacculus, wo alles andere Zellmaterial entfernt wurde. (C) Transmissionselektronenmikroskopische Aufnahme eines Peptidoglykan-Sacculi. Im Vergleich dazu kann grampositives PG aus einer größeren Anzahl von Strukturvariationen bestehen und ist Teil der grampositiven taxonomischen Klassifikation33. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 2
Abbildung 2: Peptidoglycomics-Arbeitsablauf. Probenvorbereitung. Schritt 1: Bakterienzellen züchten und pelletieren (Abschnitt 1.1). Schritt 2: Peptidoglykan-Sacculi durch 4%iges SDS-Kochen reinigen (Abschnitt 1.2). Datenerfassung. Schritt 3, enzymatischer Aufschluss von Sacculi zur Herstellung von Muropeptiden durch Aufbrechen der β-1,4-Bindung zwischen N-Acetylglucosamin (GlcNAc) und N-Acetylmuraminsäure (MurNAc) des Peptidoglykan-Rückgrats (Abschnitt 2.1). Schritt 4, Analyse der Murropeptidintensität mittels LC-MS/MS (Abschnitt 2.2). Datenanalyse. Schritt 5, rekursive Merkmalsextraktion identifiziert und sammelt alle Ladungen, Addukte und Isotope, die mit einem einzelnen Murropeptid assoziiert sind (Abschnitt 3.1). Schritt 6, Identifizierung von Muropeptiden durch Vergleich der vorhergesagten Fragmentierung mit MS/MS-Chromatogrammen (Abschnitt 3.3). Schritt 7, bioinformatische Differentialanalyse (Abschnitt 3.2) zum Vergleich der Veränderungen der Peptidoglykanzusammensetzung zwischen verschiedenen experimentellen Parametern. In Schritt 8 untersuchen Sie die globale Veränderung der Murropeptidmodifikationen innerhalb der verschiedenen experimentellen Parameter mit Hilfe der 1D-Annotation (Abschnitt 3.4). Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 3
Abbildung 3: Beispiel für eine rekursive Feature-Extraktion. Für ein Murropeptid, das eine Peptidseitenkette von Alanin (A), iso-ᴅ-Glutamat (E), Meso-Diaminopimelinsäure (m), Alanin (A) darstellt, das mit der AE m A der benachbarten Murropeptid-Seitenkette (1864,8 m/z) vernetzt ist. In dem extrahierten Merkmal für 1864,8 m/z sind Ladungen (+1, +2 und +3), Addukte (z. B. Natrium und Kalium), GlcNAc-Verlust (1 oder 2 GlcNAc) und mehrere Isotopenpeaks für jede Variation (z. B. gezoomter Einschub) enthalten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 4
Abbildung 4: Muropeptid-Fragmentierung und -Identifizierung. Zur Annotation erhält jeder m/z-Peak (Merkmal), der aus dem MS-Chromatogramm extrahiert wird, eine vorgeschlagene Murropeptidstruktur, die auf der Ähnlichkeit mit einer Murropeptidbibliothek basiert. Um diese vorgeschlagene Struktur zu bestätigen, werden vorhergesagte MS/MS-Fragmente mit einem chemischen Zeichenprogramm (grauer Einschub) erzeugt. Diese vorhergesagte Fragmentierung wird mit dem MS/MS-Chromatogramm verglichen. Wenn die vorhergesagten Fragmente (grauer Einschub) mit dem MS/MS-Chromatogramm übereinstimmen, wird die vorgeschlagene Murropeptidstruktur bestätigt. Die Abbildung wurde gegenüber Referenz12 geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 5
Abbildung 5: Differentielle Analyse der Peptidoglykanzusammensetzung. (A) Vulkandiagramm der Faltungsänderung und statistische Signifikane der Änderungen der Murropeptidintensität zwischen Peptidoglykanen, die aus P. aeruginosa gereinigt wurden und entweder als freischwimmende planktonische oder stationäre Biofilmkultur gezüchtet wurden. Alle Muropeptide, die eine Modifikation aufweisen, die eine Veränderung der typischen Aminosäureanordnung innerhalb der Peptidseitenkette darstellt, werden hervorgehoben. Aminosäuresubstituierte Muropeptide, die einen Trend zu einer verringerten Häufigkeit von aus Biofilm gewonnenem Peptidoglykan zeigten, sind grün hervorgehoben. Aminosäuresubstituierte Muropeptide, die Ausreißer dieses Trends waren und eine erhöhte Häufigkeit von Biofilm-abgeleitetem Peptidoglykan zeigten, sind orange hervorgehoben. (B) Heatmap der globalen Faltungsänderung in der Häufigkeit aller aminosäuresubstituierten Muropeptide mit erhöhter Häufigkeit (orange) und verringerter Häufigkeit (grün) in Biofilmen. Diese Muropeptide wurden neu gruppiert und dahingehend bewertet, ob eine Aminosäuresubstitution an Monomeren, vernetzten Dimeren oder ob die vierte (AE m+), fünfte (AEmA+) oder beide Aminosäuren (AEm++) substituiert waren. Die Signifikanz jeder Gruppe von Muropeptiden wurde durch 1D-Annotation mit FDR < 0,05 für Signifikanz bewertet und der zugehörige 1D-Score wird angezeigt. Die 1D-Annotation kann nur bei mehr als 2 Muropeptiden durchgeführt werden (z. B. wurde die AEm++-Substitution nur bei zwei Muropeptiden gefunden). Daher muss in diesem Fall die Signifikanz für die einzelnen Muropeptide und nicht für die Gruppe untersucht werden. Die Abbildung wurde gegenüber Referenz12 geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Dieses Protokoll beschreibt ein Verfahren zur Reinigung von Peptidoglykan aus Bakterienkulturen, zum Nachweis von LC-MS und zur Analyse der Zusammensetzung unter Verwendung bioinformatischer Techniken. Hier konzentrieren wir uns auf gramnegative Bakterien und einige geringfügige Modifikationen sind erforderlich, um die Analyse grampositiver Bakterien zu ermöglichen.

Die Herstellung von Muropeptiden ist seit ihrer ersten Herstellung in den 1960er Jahren praktisch gleich geblieben 9,11,15. Nach der Reinigung werden die Sacculi (Abschnitt 1.2.18) mit dem Muramidase-Enzym Mutanolysin aus Streptomyces globisporus zu einzelnen Muropeptiden verdaut. Mutanolysin verdaut die PG-Struktur, indem es die β-1,4-glykosidische Bindung aufbricht und einzelne Muropeptide freisetzt, die aus einem GlcNAc-MurNAc-Disaccharid mit angehängter Peptidseitenkette bestehen, und enthält alle Modifikationen oder Vernetzungen (Abbildung 1).

Eine Einschränkung der bisherigen Methodik zur Untersuchung der PG-Zusammensetzung war die zeitaufwändige manuelle Identifizierung von Muropeptiden. Aufgrund der Komplexität und Schwierigkeit können Addukte, Ladungen und/oder Isotope in die Analyse einbezogen worden sein oder auch nicht. Darüber hinaus beschränkten die meisten Studien die Analyse auf die am häufigsten vorkommenden und daher am einfachsten zu reinigenden Muropeptide. Aufgrund der komplizierten Natur der Methodik wurden daher relativ wenige detaillierte PG-Zusammensetzungsanalysen auf hoher Ebene durchgeführt. Die "omic"-artigen Analysen haben die jüngsten technologischen Verbesserungen für die Erstellung und statistische Analyse relativ großer und komplexer LC-MS-Datensätze für den High-Level-Überblick über biologische Systeme genutzt. Die Anwendung der Peptidoglykomik ermöglicht die Analyse der PG-Zusammensetzung bis ins kleinste Detail.

Innerhalb der Peptidoglykomik reduziert die rekursive Merkmalsextraktion den manuellen Arbeitsaufwand und erhöht die Genauigkeit, indem alle Datendateien gleichzeitig untersucht werden. Ein rekursiver Merkmalsextraktionsalgorithmus wird verwendet, um einzigartige spektrale Merkmale (m/z-Peaks) über mehrere chromatographische LC-MS-Datendateien hinweg zu identifizieren, auszurichten und zu gruppieren, wodurch die Identifizierung von muropeptidischen m/z-Peaks automatisiert wird. Dieser Algorithmus verwendet den Isotopenmusterabgleich, der die zahlreichen potenziellen Isotope, Ionenaddukte und Ladungszustände nimmt und die multiplen m/z-Peaks zu seiner repräsentativen Einzelverbindung (oder Funktion) kondensiert, die in diesem Fall ein einzelnes Muropeptid darstellen würde (Abbildung 3). Die Verifizierung der spektralen Merkmalsgruppe erfolgt durch den Vergleich der Retentionszeit, m/z und der Übereinstimmung mit Isotopenmustern in jeder chromatographischen Datendatei, um eine robuste Extraktion des Merkmals im gesamten Datensatz zu gewährleisten. Generische Algorithmen zur Merkmalsfindung beinhalten möglicherweise keine Isotopenübereinstimmung oder Ausrichtung, Gruppierung oder Verifizierung von m/z-Peaks über mehrere Proben hinweg und erfordern eine zusätzliche manuelle Datenverarbeitung, um diese Merkmalsextraktion durchzuführen.

Sobald Merkmale identifiziert sind, verarbeiten bioinformatische Differentialanalysealgorithmen den sehr großen Datensatz als Ganzes und ermöglichen so nützliche Vergleiche und Interpretationen aus den komplexen Daten. Die Verwendung dieser bioinformatischen grafischen Analysen ist eine leistungsstarke Möglichkeit, große Datensätze zu visualisieren und zu interpretieren, um Trends zu untersuchen, die auf biologische Prozesse hinweisen können. Erst in jüngster Zeit wurden diese leistungsstarken grafischen Analysen verwendet, um Peptidoglykan sehr detailliert zu untersuchen12. Die Differentialanalyse (Abschnitt 3.2) bewertet die Veränderungen in der Häufigkeit einzelner Muropeptide unter verschiedenen experimentellen Bedingungen. Im Kontext ganzer Bakterienzellen könnte die Aktivität von PG-modifizierenden Enzymen jedoch in Abhängigkeit von der Spezifität der katalytischen Aktivität zu mehreren unterschiedlichen Murropeptidstrukturen führen (d.h. die Addition einer Acetylgruppe an das Disaccharid könnte mit oder ohne Modifikation der Peptidseitenkette erfolgen). Daher wird die Bewertung der globalen Abundanzänderungen einer bestimmten Modifikation über alle einzelnen annotierten Muropeptide einen Einblick in die enzymatische Aktivität geben, die auf das PG wirkt (Abbildung 5) Daher wird eine Differentialanalyse verwendet, um die Abundanzänderungen einzelner Muropeptide zu untersuchen; Die 1D-Annotation hingegen untersucht die Abundanzänderungen einer bestimmten PG-Modifikation. Die Kopplung der Differentialanalyse mit der 1D-Annotation ermöglicht die Beurteilung der PG-Zusammensetzung sowohl auf individueller Murropeptidebene als auch als Indikator für die gesamte enzymatische Aktivität des PG.

Bei der Differentialanalyse ist es wichtig zu beachten, dass PG aus einigen sehr häufig vorkommenden Muropeptiden und zahlreichen Muropeptiden mit geringer Häufigkeit besteht12. Daher ist das Baselining sehr wichtig, um in den späteren Schritten der Analyse jegliche Verzerrung durch die Muropeptide mit hoher Abundanz zu beseitigen. Aufgrund der mehrfach durchgeführten t-Tests muss auch eine statistische Korrektur angewendet werden, um Fehlalarme zu verringern. Der Standardwert ist häufig die Benjamini-Hochberg-False-Discovery-Rate (FDR)19. Andere Korrekturen wie die konservativere Bonferroni-Familienfehlerrate (FWER)20,21 sind möglich.

Innerhalb der bioinformatischen Software wird dem bei der Merkmalsextraktion identifizierten m/z-Peak auch eine vorhergesagte Struktur zugewiesen. Andere Analysen vom "Omic"-Typ (z. B. Proteomik) profitieren von der Verfügbarkeit großer Verbindungsdatenbanken, die die Identifizierung von Verbindungen durch prädiktiven Abgleich von Fragmentierungsspektren ermöglichen. Derzeit existiert keine vorhergesagte Muropeptid-Fragmentierungsbibliothek und die Bestätigung der Murropeptid-Identifizierung bleibt ein manueller Schritt. Mit der Entwicklung und der öffentlichen Zugänglichkeit von Datenbanken zur peptidoglykomischen Fragmentierung wird dieser manuelle Identifizierungsschritt jedoch automatisierter und zugänglicher, indem die Abschnitte 3.3.3 und 3.3.4 gestrichen oder stark reduziert werden.

In Escherichia coli besteht PG aus ~3,5 x 106 Muropeptiden pro Zelle34. Innerhalb der Nachweisgrenzen der QTOF MS können selbst die am wenigsten häufig vorkommenden Muropeptide immer noch Hunderte von Kopien eines einzelnen Murropeptids innerhalb einer Zelle darstellen12. Daher kann das Verständnis der Veränderungen selbst bei den am wenigsten vorkommenden Muropeptiden nützliche Einblicke in die biologische Aktivität von PG-gerichteten Enzymen innerhalb der Zelle liefern.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren erklären keine Interessenkonflikte.

Acknowledgments

Die Autoren danken Dr. Jennifer Geddes-McAlister und Dr. Anthony Clarke für ihre Beiträge zur Verfeinerung dieses Protokolls. Diese Arbeit wurde durch Betriebskostenzuschüsse des CIHR unterstützt, die an C.M.K. (PJT 156111) vergeben wurden, und durch einen NSERC Alexander Graham Bell CGS D, der an E.M.A. vergeben BioRender.com wurde.

Materials

Name Company Catalog Number Comments
Equipment
C18 reverse phase column - AdvanceBio Peptide column (100 mm x 2.1 mm 2.7 µm) Agilent LC-MS data acquisition
Heating mantle controller, Optichem Fisher 50-401-788 for 4% SDS boil
Heating Mantle, 1000mL Hemispherical Fisher CG1000008 for 4% SDS boil
Incubator, 37°C for sacculi purification and MS sample prep
Leibig condenser, 300MM 24/40, Fisher CG121805 for 4% SDS boil
Lyophilizer Labconco for lyophilization of sacculi
Magentic stirrer Fisher 90-691-18 for 4% SDS boil
mass spectrometer Q-Tof model UHD 6530 Aglient LC-MS data acquisition
microcentrifuge filters, Nanosep MF 0.2 µm Fisher 50-197-9573 cleanup of sample before MS injection
Retort stand Fisher 12-000-102 for 4% SDS boil
Retort clamp Fisher S02629 for 4% SDS boil
round bottom flask - 1 liter pyrex Fisher 07-250-084 for 4% SDS boil
Sonicator model 120 Fisher FB120 for sacculi purification
Sonicator - micro tip Fisher FB4422 for sacculi purification
Ultracentrifuge Beckman sacculi wash steps
Ultracentrifuge bottles, Ti45 Fisher NC9691797 sacculi wash steps
Water supply City for water cooled condenser
Software
Chemdraw Cambridgesoft molecular editor for muropeptide fragmentation prediction
Excel Microsoft viewing lists of annotated muropeptides, abundance, isotopic patterns, etc.
MassHunter Acquisition Aglient running QTOF instrument
MassHunter Mass Profiler Professional Aglient bioinformatic differential analysis
MassHunter Personal Compound Database and Library Manager Aglient muropeptide m/z MS database
MassHunter Profinder Aglient recursive feature extraction
MassHunter Qualitative analysis Aglient viewing MS and MS/MS chromatograms
Prism Graphpad Graphing software
Perseus Max Plank Institute of Biochemistry 1D annotation
Material
Acetonitrile Fisher A998-4
Ammonium acetate Fisher A637
Amylase Sigma-Aldrich A6380
Boric acid Fisher BP168-1
DNase Fisher EN0521
Formic acid Sigma-Aldrich 27001-500ML-R
LC-MS tuning mix - HP0321 Agilent G1969-85000
Magnesium chloride Sigma-Aldrich M8266
Magnesium sulfate Sigma-Aldrich M7506
Mutanolysin from Streptomyces globisporus ATCC 21553 Sigma-Aldrich M9901
Nitrogen gas (>99% purity) Praxair NI 5.0UH-T
Phosphoric acid Fisher A242
Pronase E from Streptomyces griseus Sigma-Aldrich P5147
RNase Fisher EN0531
Sodium azide Fisher S0489
Sodium borohydride Sigma-Aldrich 452890
Sodium dodecyl sulfate (SDS) Fisher BP166
Sodium hydroxide Fisher S318
Sodium Phosphate (dibasic) Fisher S373
Sodium Phosphate (monobasic) Fisher S369
Stains-all Sigma-Aldrich E9379

DOWNLOAD MATERIALS LIST

References

  1. Vollmer, W., Blanot, D., de Pedro, M. A. Peptidoglycan structure and architecture. FEMS Microbiology Reviews. 32, 149-167 (2007).
  2. Pazos, M., Peters, K. Peptidoglycan. Sub-cellular Biochemistry. 92, 127-168 (2019).
  3. Typas, A., Banzhaf, M., Gross, C. A., Vollmer, W. From the regulation of peptidoglycan synthesis to bacterial growth and morphology. Nature Reviews. Microbiology. 10 (2), 123-136 (2011).
  4. Yadav, A. K., Espaillat, A., Cava, F. Bacterial strategies to preserve cell wall integrity against environmental threats. Frontiers in Microbiology. 9, 2064 (2018).
  5. Bera, A., Herbert, S., Jakob, A., Vollmer, W., Götz, F. Why are pathogenic staphylococci so lysozyme resistant? The peptidoglycan O-acetyltransferase OatA is the major determinant for lysozyme resistance of Staphylococcus aureus. Molecular Microbiology. 55 (3), 778-787 (2005).
  6. Brott, A. S., Clarke, A. J. Peptidoglycan O-acetylation as a virulence factor: its effect on lysozyme in the innate immune system. Antibiotics. 8 (3), 94 (2019).
  7. Putty, S., Vemula, H., Bobba, S., Gutheil, W. G. A liquid chromatography-tandem mass spectrometry assay for D-Ala-D-Lac: A key intermediate for vancomycin resistance in vancomycin-resistant Enterococci. Analytical Biochemistry. 442 (2), 166-171 (2013).
  8. Arthur, M., et al. Evidence for in vivo incorporation of D-lactate into peptidoglycan precursors of vancomycin-resistant Enterococci. Antimicrobial Agents and Chemotherapy. 36 (4), 867-869 (1992).
  9. Mardarowicz, C. Isolierung und Charakterisierung des Murein-Sacculus von Brucella. Z. Naturforsdig. 21, 1006-1007 (1966).
  10. Glauner, B., Höltje, J. V., Schwarz, U. The composition of the murein of Escherichia coli. The Journal of Biological Chemistry. 263 (21), 10088-10095 (1988).
  11. Glauner, B. Separation and quantification of muropeptides with high-performance liquid chromatography. Analytical Biochemistry. 172, 451-464 (1988).
  12. Anderson, E. M., et al. Peptidoglycomics reveals compositional changes in peptidoglycan between biofilm- and planktonic-derived Pseudomonas aeruginosa. The Journal of Biological Chemistry. 295 (2), 504-516 (2020).
  13. van der Aart, L. T., et al. High-resolution analysis of the peptidoglycan composition in Streptomyces coelicolor. Journal of Bacteriology. 200 (20), 00290 (2018).
  14. Bern, M., Beniston, R., Mesnage, S. Towards an automated analysis of bacterial peptidoglycan structure. Analytical and Bioanalytical Chemistry. 409, 551-560 (2017).
  15. Brott, A. S., Sychantha, D., Clarke, A. J. Assays for the enzymes catalyzing the O-acetylation of bacterial cell wall polysaccharides. Methods in Molecular Biology. 1954, 115-136 (2019).
  16. Clarke, A. J. Compositional analysis of peptidoglycan by high-performance anion-exchange chromatography. Analytical Biochemistry. 212 (2), 344-350 (1993).
  17. Rusconi, F., Douard Valton, É, Nguyen, R., Dufourc, E. Quantification of sodium dodecyl sulfate in microliter-volume biochemical samples by visible light spectroscopy. Analytical Biochemistry. 295, 31-37 (2001).
  18. Verwer, R. W. H., Beachey, E. H., Keck, W., Stoub, A. M., Poldermans, J. E. Oriented fragmentation of Escherichia coli sacculi by sonication. Journal of Bacteriology. 141 (1), 327-332 (1980).
  19. Benjamini, Y., Hochberg, Y. Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological). 57 (1), 289-300 (1995).
  20. Article, R., Alonso, A., Marsal, S., Julià, A., James Carroll, A. Analytical methods in untargeted metabolomics: state of the art in 2015. Frontiers in Bioengineering and Biotechnology. 3, 23 (2015).
  21. Xi, B., Gu, H., Baniasadi, H., Raftery, D. Statistical analysis and modeling of mass spectrometry-based metabolomics data. Methods in Molecular Biology. 1198, 333-353 (2014).
  22. Tyanova, S., et al. The Perseus computational platform for comprehensive analysis of (prote)omics data. Nature Methods. 13 (9), 731-740 (2016).
  23. Cox, J., Mann, M. 1D and 2D annotation enrichment: a statistical method integrating quantitative proteomics with complementary high-throughput data. BMC Bioinformatics. 13, Suppl 16 12 (2012).
  24. Chang, J. D., Foster, E. E., Thadani, A. N., Ramirez, A. J., Kim, S. J. Inhibition of Staphylococcus aureus cell wall biosynthesis by desleucyl-oritavancin: A quantitative peptidoglycan composition analysis by mass spectrometry. Journal of Bacteriology. 199 (15), 00278 (2017).
  25. Glauner, B., Höltje, J. V. Growth pattern of the murein sacculus of Escherichia coli. The Journal of Biological Chemistry. 265 (31), 18988-18996 (1990).
  26. Espaillat, A., et al. Chemometric analysis of bacterial peptidoglycan reveals atypical modifications that empower the cell wall against predatory enzymes and fly innate immunity. Journal of the American Chemical Society. 138 (29), 9193-9204 (2016).
  27. Quintela, J. C., Caparros, M., de Pedro, M. A. Variability of peptidoglycan structural parameters in Gram-negative bacteria. FEMS Microbiology Letters. 125, 95-100 (1995).
  28. Quintela, J. C., Zollner, P., Portillo, F. G., Allmaier, G., de Pedro, M. A. Cell wall structural divergence among Thermus spp. FEMS Microbiology Letters. 172, 223-229 (1999).
  29. Torrens, G., et al. Comparative analysis of peptidoglycans from Pseudomonas aeruginosa isolates recovered from chronic and acute infections. Frontiers in Microbiology. 10, 0868 (2019).
  30. Antignac, A., et al. Detailed structural analysis of the peptidoglycan of the human pathogen Neisseria meningitidis. The Journal of Biological Chemistry. 278 (34), 31521-31528 (2003).
  31. De Jonges, B. L. M., Changi, Y. S., Gage, D., Tomaszs, A. Peptidoglycan composition of a highly methicillin-resistant Staphylococcus aureus strain. The role of penicillin binding protein 2A. The Journal of Biological Chemistry. 267 (16), 11248-11264 (1992).
  32. Lee, M., et al. Muropeptides in Pseudomonas aeruginosa and their role as elicitors of β-lactam-antibiotic resistance. Angewandte Chemie - International Edition. 55, 6882-6886 (2016).
  33. Schumann, P. Peptidoglycan Structure. Methods in Microbiology. 38, 101-129 (2011).
  34. Wientjes, F. B., Woldringh, C. L., Nanninga, N. Amount of peptidoglycan in cell walls of Gram-negative bacteria. Journal of Bacteriology. 173 (23), 7684-7691 (1991).

Tags

Retraktion Ausgabe 164 Peptidoglykan Muropeptide Massenspektrometrie Merkmalsextraktion Differentialanalyse Bioinformatik Peptidoglykomik
Semi-quantitative Analyse von Peptidoglycan mittels Flüssigkeitschromatographie, Massenspektrometrie und Bioinformatik
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Anderson, E. M., Greenwood, N. A.,… More

Anderson, E. M., Greenwood, N. A., Brewer, D., Khursigara, C. M. Semi-Quantitative Analysis of Peptidoglycan by Liquid Chromatography Mass Spectrometry and Bioinformatics. J. Vis. Exp. (164), e61799, doi:10.3791/61799 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter