发现与细胞状态相关的基因表达特征是分子生物学研究的重要方向。对于细胞在分子层面的差异，可能表现为跨多个维度，如基因组变异、基因表达、蛋白质翻译和翻译后修饰（PTM）。这些不同维度之间的变化是动态的，单独分析某特定维度可能会丢失很多信息，这就需要对这类多层信息进行综合分析，以了解生物系统各个组成部分之间的相互作用。
近年来，高通量RNA测序和质谱技术在转录和蛋白质方面的最新进展使其成为理解基因调控的首选方法。“大数据”分析技术的改进使得从整合转录组蛋白质组分析中得出新的结论。对这两种数据类型的统一分析有助于实现一些生物学目标，如改进基因组注释、预测RNA蛋白质数量、破译基因调控、发现疾病标记物和药物靶点。转录组学和蛋白质组学数据有不同的整合方式，每一种方式都针对不同的研究目标。
本文重点关注转录组学-蛋白质组学整合研究的方法、特点，以及与疾病的相关性。
结合mRNA测序和肽测序，进行蛋白质组的挖掘和基因组注释；对于基因组的重新注释，步骤包括：变异的肽段、新基因、新外显子、新的拼接点、假基因“复活”、基因模型矫正。
影响mRNA-蛋白表达量相关性的因素
1、mRNA降解速率；
2、核糖体结合位点；
3、核糖体密度；
4、密码子使用的偏好性；
5、蛋白质周转率；
6、翻译后修饰变异；
7、isoform间的肽共享；
8、低丰度蛋白；
9、实验噪音。
结合转录组学和蛋白质组学破译疾病生物学
▶ 实验设计：高通量平台提供转录组和蛋白质组数据。核糖体谱分析定量翻译率可以更好地估计转录组和蛋白质组数据集的相关性。为了了解疾病的动力学或特定表型，可以测量不同时间框架（时间）和/或特定空间（细胞/组织（空间））的表达和翻译。
▶ 分析设计：在第一阶段，分别分析转录组和蛋白质组，使用统计学算法寻找特征基因。通过网络生物学的方法进一步分析来自特征基因的相互作用网络，以发现潜在的特定生物学过程或途径，这些过程或途径会影响疾病或表型。
▶ 应用：特征基因通常被用作疾病预后和诊断的生物标志物或帮助疾病分类。生物学过程或途径的推论可能提供疾病机制或治疗干预的思路和方法。
参考文献
Kumar D et al., Integrating tranome and proteome profiling: Strategies and applications, Proteomics. 2016, 2533-2544
转自：派森诺
- 本文固定链接: https://www.maimengkong.com/kyjc/983.html
- 转载请注明: : 萌小白 2022年6月6日 于 卖萌控的博客 发表
- 百度已收录
