Método de Predicción de Redes Neuronales de Aprendizaje Profundo Mejora el Perfilado del Proteoma del Savia Vascular de las Vides durante el Desarrollo de la Enfermedad de Pierce
Autores: Helena Duarte Sagawa, Cíntia; Zaini, Paulo A.; de A. B. Assis, Renata; Saxe, Houston; Salemi, Michelle; Jacobson, Aaron; Wilmarth, Phillip A.; Phinney, Brett S.; M. Dandekar, Abhaya
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Método de Predicción de Redes Neuronales de Aprendizaje Profundo Mejora el Perfilado del Proteoma del Savia Vascular de las Vides durante el Desarrollo de la Enfermedad de Pierce
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Planta
Proteínas de defensa
Secretoma
Patobiología
Estudios del proteoma
Prosit
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Los estudios del secretoma de las plantas destacan la importancia de las proteínas de defensa de las plantas vasculares contra los patógenos. Los estudios sobre la enfermedad de Pierce de las vides, causada por la bacteria limitada al xilema, han detectado proteínas y vías asociadas con su patobiología. A pesar de la importancia biológica de las proteínas secretadas en el espacio extracelular para la supervivencia y el desarrollo de las plantas, los estudios de proteoma son escasos debido a los desafíos metodológicos. Prosit, un método de predicción de redes neuronales de aprendizaje profundo, es una herramienta poderosa para mejorar el perfilado del proteoma mediante adquisición independiente de datos (DIA). Exploramos el potencial de las predicciones de la biblioteca espectral in silico de Prosit para mejorar el análisis proteómico DIA del savia foliar vascular de las vides con enfermedad de Pierce. La combinación de DIA y bibliotecas predichas por Prosit aumentó el número total de proteínas de la vid identificadas de 145 a 360 y las proteínas de 18 a 90 en comparación con las bibliotecas de fraccionamiento en fase gaseosa (GPF). Las nuevas proteínas aumentaron el rango de pesos moleculares, ayudaron en la identificación de más péptidos exclusivos por proteína y aumentaron la identificación de proteínas de baja abundancia. Estas mejoras permitieron la identificación de nuevas vías funcionales asociadas con las respuestas celulares al estrés oxidativo, que se investigarán más a fondo.
Descripción
Los estudios del secretoma de las plantas destacan la importancia de las proteínas de defensa de las plantas vasculares contra los patógenos. Los estudios sobre la enfermedad de Pierce de las vides, causada por la bacteria limitada al xilema, han detectado proteínas y vías asociadas con su patobiología. A pesar de la importancia biológica de las proteínas secretadas en el espacio extracelular para la supervivencia y el desarrollo de las plantas, los estudios de proteoma son escasos debido a los desafíos metodológicos. Prosit, un método de predicción de redes neuronales de aprendizaje profundo, es una herramienta poderosa para mejorar el perfilado del proteoma mediante adquisición independiente de datos (DIA). Exploramos el potencial de las predicciones de la biblioteca espectral in silico de Prosit para mejorar el análisis proteómico DIA del savia foliar vascular de las vides con enfermedad de Pierce. La combinación de DIA y bibliotecas predichas por Prosit aumentó el número total de proteínas de la vid identificadas de 145 a 360 y las proteínas de 18 a 90 en comparación con las bibliotecas de fraccionamiento en fase gaseosa (GPF). Las nuevas proteínas aumentaron el rango de pesos moleculares, ayudaron en la identificación de más péptidos exclusivos por proteína y aumentaron la identificación de proteínas de baja abundancia. Estas mejoras permitieron la identificación de nuevas vías funcionales asociadas con las respuestas celulares al estrés oxidativo, que se investigarán más a fondo.