മൈക്രോബയൽ മെറ്റാപ്രോട്ടോമിക്സ്: സാമ്പിൾ പ്രോസസ്സിംഗ്, ഡാറ്റ ശേഖരണം മുതൽ ഡാറ്റ വിശകലനം വരെ

വു എൻഹുയി, ക്വിയാവോ ലിയാങ്*

ഡിപ്പാർട്ട്മെൻ്റ് ഓഫ് കെമിസ്ട്രി, ഫുഡാൻ യൂണിവേഴ്സിറ്റി, ഷാങ്ഹായ് 200433, ചൈന

സൂക്ഷ്മാണുക്കൾ മനുഷ്യൻ്റെ രോഗങ്ങളുമായും ആരോഗ്യവുമായും അടുത്ത ബന്ധപ്പെട്ടിരിക്കുന്നു. സൂക്ഷ്മജീവ സമൂഹങ്ങളുടെ ഘടനയും അവയുടെ പ്രവർത്തനങ്ങളും എങ്ങനെ മനസ്സിലാക്കാം എന്നത് അടിയന്തിരമായി പഠിക്കേണ്ട ഒരു പ്രധാന പ്രശ്നമാണ്. സമീപ വർഷങ്ങളിൽ, സൂക്ഷ്മാണുക്കളുടെ ഘടനയും പ്രവർത്തനവും പഠിക്കുന്നതിനുള്ള ഒരു പ്രധാന സാങ്കേതിക മാർഗമായി മെറ്റാപ്രോട്ടോമിക്സ് മാറി. എന്നിരുന്നാലും, മൈക്രോബയൽ കമ്മ്യൂണിറ്റി സാമ്പിളുകളുടെ സങ്കീർണ്ണതയും ഉയർന്ന വൈവിധ്യവും കാരണം, സാമ്പിൾ പ്രോസസ്സിംഗ്, മാസ് സ്പെക്ട്രോമെട്രി ഡാറ്റ ഏറ്റെടുക്കൽ, ഡാറ്റ വിശകലനം എന്നിവ നിലവിൽ മെറ്റാപ്രോട്ടോമിക്സ് നേരിടുന്ന മൂന്ന് പ്രധാന വെല്ലുവിളികളായി മാറിയിരിക്കുന്നു. മെറ്റാപ്രോട്ടോമിക്സ് വിശകലനത്തിൽ, വ്യത്യസ്ത തരം സാമ്പിളുകളുടെ പ്രീട്രീറ്റ്മെൻ്റ് ഒപ്റ്റിമൈസ് ചെയ്യേണ്ടതും വ്യത്യസ്തമായ സൂക്ഷ്മജീവികളുടെ വേർതിരിവ്, സമ്പുഷ്ടീകരണം, വേർതിരിച്ചെടുക്കൽ, ലിസിസ് സ്കീമുകൾ എന്നിവ സ്വീകരിക്കാനും പലപ്പോഴും ആവശ്യമാണ്. ഒരൊറ്റ സ്പീഷിസിൻ്റെ പ്രോട്ടീമിന് സമാനമായി, മെറ്റാപ്രോട്ടോമിക്സിലെ മാസ് സ്പെക്ട്രോമെട്രി ഡാറ്റ അക്വിസിഷൻ മോഡുകളിൽ ഡാറ്റ-ആശ്രിത അക്വിസിഷൻ (ഡിഡിഎ) മോഡും ഡാറ്റ-ഇൻഡിപെൻഡൻ്റ് അക്വിസിഷൻ (ഡിഐഎ) മോഡും ഉൾപ്പെടുന്നു. DIA ഡാറ്റ അക്വിസിഷൻ മോഡിന് സാമ്പിളിൻ്റെ പെപ്റ്റൈഡ് വിവരങ്ങൾ പൂർണ്ണമായി ശേഖരിക്കാനും മികച്ച വികസന സാധ്യതയുമുണ്ട്. എന്നിരുന്നാലും, മെറ്റാപ്രോട്ടിയം സാമ്പിളുകളുടെ സങ്കീർണ്ണത കാരണം, അതിൻ്റെ ഡിഐഎ ഡാറ്റ വിശകലനം മെറ്റാപ്രോട്ടോമിക്സിൻ്റെ ആഴത്തിലുള്ള കവറേജിനെ തടസ്സപ്പെടുത്തുന്ന ഒരു പ്രധാന പ്രശ്നമായി മാറിയിരിക്കുന്നു. ഡാറ്റ വിശകലനത്തിൻ്റെ കാര്യത്തിൽ, ഏറ്റവും പ്രധാനപ്പെട്ട ഘട്ടം ഒരു പ്രോട്ടീൻ സീക്വൻസ് ഡാറ്റാബേസിൻ്റെ നിർമ്മാണമാണ്. ഡാറ്റാബേസിൻ്റെ വലുപ്പവും പൂർണ്ണതയും തിരിച്ചറിയലുകളുടെ എണ്ണത്തിൽ വലിയ സ്വാധീനം ചെലുത്തുക മാത്രമല്ല, സ്പീഷിസുകളിലും പ്രവർത്തന തലങ്ങളിലും വിശകലനത്തെ ബാധിക്കുകയും ചെയ്യുന്നു. നിലവിൽ, മെറ്റാപ്രോട്ടീം ഡാറ്റാബേസിൻ്റെ നിർമ്മാണത്തിനുള്ള സ്വർണ്ണ നിലവാരം മെറ്റാജെനോമിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പ്രോട്ടീൻ സീക്വൻസ് ഡാറ്റാബേസാണ്. അതേ സമയം, ആവർത്തന തിരയലിനെ അടിസ്ഥാനമാക്കിയുള്ള പൊതു ഡാറ്റാബേസ് ഫിൽട്ടറിംഗ് രീതിക്ക് ശക്തമായ പ്രായോഗിക മൂല്യമുണ്ടെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട്. നിർദ്ദിഷ്ട ഡാറ്റാ വിശകലന തന്ത്രങ്ങളുടെ വീക്ഷണകോണിൽ നിന്ന്, പെപ്റ്റൈഡ് കേന്ദ്രീകൃതമായ DIA ഡാറ്റ വിശകലന രീതികൾ ഒരു കേവല മുഖ്യധാരയെ ഉൾക്കൊള്ളുന്നു. ആഴത്തിലുള്ള പഠനത്തിൻ്റെയും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെയും വികാസത്തോടെ, ഇത് മാക്രോപ്രോട്ടോമിക് ഡാറ്റ വിശകലനത്തിൻ്റെ കൃത്യത, കവറേജ്, വിശകലന വേഗത എന്നിവയെ വളരെയധികം പ്രോത്സാഹിപ്പിക്കും. ഡൗൺസ്‌ട്രീം ബയോ ഇൻഫോർമാറ്റിക്‌സ് വിശകലനത്തിൻ്റെ കാര്യത്തിൽ, സൂക്ഷ്മജീവി സമൂഹങ്ങളുടെ ഘടന നേടുന്നതിന് പ്രോട്ടീൻ തലത്തിലും പെപ്റ്റൈഡ് തലത്തിലും ജീൻ തലത്തിലും സ്പീഷീസ് വ്യാഖ്യാനം നടത്താൻ കഴിയുന്ന വ്യാഖ്യാന ടൂളുകളുടെ ഒരു പരമ്പര സമീപ വർഷങ്ങളിൽ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. മറ്റ് ഒമിക്‌സ് രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മൈക്രോബയൽ കമ്മ്യൂണിറ്റികളുടെ പ്രവർത്തനപരമായ വിശകലനം മാക്രോപ്രോട്ടോമിക്‌സിൻ്റെ സവിശേഷ സവിശേഷതയാണ്. മൈക്രോബയൽ കമ്മ്യൂണിറ്റികളുടെ മൾട്ടി-ഓമിക്സ് വിശകലനത്തിൻ്റെ ഒരു പ്രധാന ഭാഗമായി മാക്രോപ്രോട്ടോമിക്സ് മാറിയിട്ടുണ്ട്, കവറേജ് ഡെപ്ത്, ഡിറ്റക്ഷൻ സെൻസിറ്റിവിറ്റി, ഡാറ്റാ അനാലിസിസ് കംപ്ലീറ്റ്നെസ് എന്നിവയിൽ ഇപ്പോഴും മികച്ച വികസന സാധ്യതകളുണ്ട്.

01 സാമ്പിൾ പ്രീട്രീറ്റ്മെൻ്റ്

നിലവിൽ, മനുഷ്യ മൈക്രോബയോം, മണ്ണ്, ഭക്ഷണം, സമുദ്രം, സജീവമായ ചെളി, മറ്റ് മേഖലകൾ എന്നിവയുടെ ഗവേഷണത്തിൽ മെറ്റാപ്രോട്ടോമിക്സ് സാങ്കേതികവിദ്യ വ്യാപകമായി ഉപയോഗിക്കുന്നു. ഒരൊറ്റ സ്പീഷിസിൻ്റെ പ്രോട്ടിയോം വിശകലനവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, സങ്കീർണ്ണമായ സാമ്പിളുകളുടെ മെറ്റാപ്രോട്ടീമിൻ്റെ സാമ്പിൾ പ്രീട്രീറ്റ്മെൻ്റ് കൂടുതൽ വെല്ലുവിളികൾ നേരിടുന്നു. യഥാർത്ഥ സാമ്പിളുകളിലെ സൂക്ഷ്മജീവികളുടെ ഘടന സങ്കീർണ്ണമാണ്, സമൃദ്ധിയുടെ ചലനാത്മക ശ്രേണി വലുതാണ്, വിവിധതരം സൂക്ഷ്മാണുക്കളുടെ സെൽ മതിൽ ഘടന വളരെ വ്യത്യസ്തമാണ്, കൂടാതെ സാമ്പിളുകളിൽ പലപ്പോഴും വലിയ അളവിൽ ഹോസ്റ്റ് പ്രോട്ടീനുകളും മറ്റ് മാലിന്യങ്ങളും അടങ്ങിയിരിക്കുന്നു. അതിനാൽ, മെറ്റാപ്രോട്ടീമിൻ്റെ വിശകലനത്തിൽ, വ്യത്യസ്ത തരം സാമ്പിളുകൾ ഒപ്റ്റിമൈസ് ചെയ്യേണ്ടതും വ്യത്യസ്ത മൈക്രോബയൽ വേർതിരിക്കൽ, സമ്പുഷ്ടീകരണം, വേർതിരിച്ചെടുക്കൽ, ലിസിസ് സ്കീമുകൾ എന്നിവ സ്വീകരിക്കാനും പലപ്പോഴും ആവശ്യമാണ്.

വ്യത്യസ്ത സാമ്പിളുകളിൽ നിന്ന് മൈക്രോബയൽ മെറ്റാപ്രോട്ടീമുകൾ വേർതിരിച്ചെടുക്കുന്നതിന് ചില സമാനതകളും ചില വ്യത്യാസങ്ങളുമുണ്ട്, എന്നാൽ നിലവിൽ വിവിധ തരം മെറ്റാപ്രോട്ടീം സാമ്പിളുകൾക്കായി ഏകീകൃത പ്രീ-പ്രോസസ്സിംഗ് പ്രക്രിയയുടെ അഭാവമുണ്ട്.

02മാസ് സ്പെക്ട്രോമെട്രി ഡാറ്റ അക്വിസിഷൻ

ഷോട്ട്ഗൺ പ്രോട്ടീം വിശകലനത്തിൽ, പ്രീ-ട്രീറ്റ്മെൻ്റിന് ശേഷമുള്ള പെപ്റ്റൈഡ് മിശ്രിതം ആദ്യം ക്രോമാറ്റോഗ്രാഫിക് കോളത്തിൽ വേർതിരിക്കപ്പെടുന്നു, തുടർന്ന് അയോണൈസേഷനുശേഷം ഡാറ്റ ഏറ്റെടുക്കലിനായി മാസ് സ്പെക്ട്രോമീറ്ററിലേക്ക് പ്രവേശിക്കുന്നു. സിംഗിൾ സ്പീഷീസ് പ്രോട്ടിയോം വിശകലനത്തിന് സമാനമായി, മാക്രോപ്രോട്ടോം വിശകലനത്തിലെ മാസ് സ്പെക്ട്രോമെട്രി ഡാറ്റ ഏറ്റെടുക്കൽ മോഡുകളിൽ ഡിഡിഎ മോഡും ഡിഐഎ മോഡും ഉൾപ്പെടുന്നു.

മാസ് സ്പെക്ട്രോമെട്രി ഉപകരണങ്ങളുടെ തുടർച്ചയായ ആവർത്തനവും അപ്‌ഡേറ്റും ഉപയോഗിച്ച്, ഉയർന്ന സെൻസിറ്റിവിറ്റിയും റെസല്യൂഷനുമുള്ള മാസ് സ്പെക്ട്രോമെട്രി ഉപകരണങ്ങൾ മെറ്റാപ്രോട്ടീമിൽ പ്രയോഗിക്കുന്നു, കൂടാതെ മെറ്റാപ്രോട്ടീം വിശകലനത്തിൻ്റെ കവറേജ് ഡെപ്ത് തുടർച്ചയായി മെച്ചപ്പെടുത്തുന്നു. വളരെക്കാലമായി, ഓർബിട്രാപ്പിൻ്റെ നേതൃത്വത്തിലുള്ള ഉയർന്ന റെസല്യൂഷൻ മാസ് സ്പെക്ട്രോമെട്രി ഉപകരണങ്ങളുടെ ഒരു പരമ്പര മെറ്റാപ്രോട്ടീമിൽ വ്യാപകമായി ഉപയോഗിച്ചുവരുന്നു.

സാമ്പിൾ തരം, വിശകലന തന്ത്രം, മാസ് സ്പെക്ട്രോമെട്രി ഉപകരണം, ഏറ്റെടുക്കൽ രീതി, വിശകലന സോഫ്‌റ്റ്‌വെയർ, ഐഡൻ്റിഫിക്കേഷനുകളുടെ എണ്ണം എന്നിവയുടെ അടിസ്ഥാനത്തിൽ 2011 മുതൽ ഇന്നുവരെയുള്ള മെറ്റാപ്രോട്ടോമിക്‌സിലെ ചില പ്രാതിനിധ്യ പഠനങ്ങൾ യഥാർത്ഥ പാഠത്തിൻ്റെ പട്ടിക 1 കാണിക്കുന്നു.

03മാസ് സ്പെക്ട്രോമെട്രി ഡാറ്റ വിശകലനം

3.1 ഡിഡിഎ ഡാറ്റ വിശകലന തന്ത്രം

3.1.1 ഡാറ്റാബേസ് തിരയൽ

3.1.2ഡി നോവോക്രമപ്പെടുത്തൽ തന്ത്രം

3.2 DIA ഡാറ്റ വിശകലന തന്ത്രം

04 ഇനങ്ങളുടെ വർഗ്ഗീകരണവും പ്രവർത്തനപരമായ വ്യാഖ്യാനവും

മൈക്രോബയോം ഗവേഷണത്തിലെ പ്രധാന ഗവേഷണ മേഖലകളിലൊന്നാണ് വിവിധ ടാക്സോണമിക് തലങ്ങളിലുള്ള സൂക്ഷ്മജീവ സമൂഹങ്ങളുടെ ഘടന. സമീപ വർഷങ്ങളിൽ, സൂക്ഷ്മജീവ സമൂഹങ്ങളുടെ ഘടന ലഭിക്കുന്നതിന് പ്രോട്ടീൻ തലത്തിലും പെപ്റ്റൈഡ് തലത്തിലും ജീൻ തലത്തിലും സ്പീഷിസുകളെ വ്യാഖ്യാനിക്കുന്നതിന് വ്യാഖ്യാന ടൂളുകളുടെ ഒരു പരമ്പര വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്.

ടാർഗെറ്റ് പ്രോട്ടീൻ ശ്രേണിയെ ഫംഗ്ഷണൽ പ്രോട്ടീൻ സീക്വൻസ് ഡാറ്റാബേസുമായി താരതമ്യം ചെയ്യുക എന്നതാണ് ഫംഗ്ഷണൽ വ്യാഖ്യാനത്തിൻ്റെ സാരം. GO, COG, KEGG, eggNOG മുതലായ ജീൻ ഫംഗ്‌ഷൻ ഡാറ്റാബേസുകൾ ഉപയോഗിച്ച്, മാക്രോപ്രോട്ടോമുകൾ തിരിച്ചറിയുന്ന പ്രോട്ടീനുകളിൽ വ്യത്യസ്ത പ്രവർത്തനപരമായ വ്യാഖ്യാന വിശകലനങ്ങൾ നടത്താം. വ്യാഖ്യാന ടൂളുകളിൽ Blast2GO, DAVID, KOBAS മുതലായവ ഉൾപ്പെടുന്നു.

05 സംഗ്രഹവും ഔട്ട്‌ലുക്കും

മനുഷ്യൻ്റെ ആരോഗ്യത്തിലും രോഗത്തിലും സൂക്ഷ്മാണുക്കൾ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു. സമീപ വർഷങ്ങളിൽ, മൈക്രോബയൽ കമ്മ്യൂണിറ്റികളുടെ പ്രവർത്തനം പഠിക്കുന്നതിനുള്ള ഒരു പ്രധാന സാങ്കേതിക മാർഗമായി മെറ്റാപ്രോട്ടോമിക്സ് മാറിയിരിക്കുന്നു. മെറ്റാപ്രോട്ടോമിക്സിൻ്റെ വിശകലന പ്രക്രിയ ഏക-സ്പീഷീസ് പ്രോട്ടിയോമിക്സിന് സമാനമാണ്, എന്നാൽ മെറ്റാപ്രോട്ടോമിക്സിൻ്റെ ഗവേഷണ ഒബ്ജക്റ്റിൻ്റെ സങ്കീർണ്ണത കാരണം, ഓരോ വിശകലന ഘട്ടത്തിലും പ്രത്യേക ഗവേഷണ തന്ത്രങ്ങൾ സ്വീകരിക്കേണ്ടതുണ്ട്. നിലവിൽ, പ്രീ-ട്രീറ്റ്മെൻ്റ് രീതികളുടെ മെച്ചപ്പെടുത്തൽ, മാസ് സ്പെക്ട്രോമെട്രി സാങ്കേതികവിദ്യയുടെ തുടർച്ചയായ നവീകരണം, ബയോ ഇൻഫോർമാറ്റിക്സിൻ്റെ ദ്രുതഗതിയിലുള്ള വികസനം എന്നിവയ്ക്ക് നന്ദി, മെറ്റാപ്രോട്ടോമിക്സ് തിരിച്ചറിയൽ ആഴത്തിലും ആപ്ലിക്കേഷൻ സ്കോപ്പിലും വലിയ പുരോഗതി കൈവരിച്ചു.

മാക്രോപ്രോട്ടോം സാമ്പിളുകളുടെ പ്രീ-ട്രീറ്റ്മെൻ്റ് പ്രക്രിയയിൽ, സാമ്പിളിൻ്റെ സ്വഭാവം ആദ്യം പരിഗണിക്കണം. പാരിസ്ഥിതിക കോശങ്ങളിൽ നിന്നും പ്രോട്ടീനുകളിൽ നിന്നും സൂക്ഷ്മാണുക്കളെ എങ്ങനെ വേർതിരിക്കാം എന്നത് മാക്രോപ്രോട്ടോമുകൾ നേരിടുന്ന പ്രധാന വെല്ലുവിളികളിലൊന്നാണ്, വേർതിരിക്കൽ കാര്യക്ഷമതയും സൂക്ഷ്മജീവികളുടെ നഷ്ടവും തമ്മിലുള്ള സന്തുലിതാവസ്ഥ അടിയന്തിരമായി പരിഹരിക്കേണ്ട ഒരു പ്രശ്നമാണ്. രണ്ടാമതായി, സൂക്ഷ്മാണുക്കളുടെ പ്രോട്ടീൻ വേർതിരിച്ചെടുക്കൽ വിവിധ ബാക്ടീരിയകളുടെ ഘടനാപരമായ വൈവിധ്യം മൂലമുണ്ടാകുന്ന വ്യത്യാസങ്ങൾ കണക്കിലെടുക്കണം. ട്രെയ്‌സ് ശ്രേണിയിലെ മാക്രോപ്രോട്ടോം സാമ്പിളുകൾക്ക് പ്രത്യേക പ്രീ-ട്രീറ്റ്മെൻ്റ് രീതികളും ആവശ്യമാണ്.

മാസ് സ്പെക്‌ട്രോമെട്രി ഉപകരണങ്ങളുടെ കാര്യത്തിൽ, മുഖ്യധാരാ മാസ്സ് സ്പെക്‌ട്രോമെട്രി ഉപകരണങ്ങൾ, എൽടിക്യു-ഓർബിട്രാപ്പ്, ക്യു എക്‌സക്റ്റീവ് തുടങ്ങിയ ഓർബിട്രാപ്പ് മാസ് അനലൈസറുകളെ അടിസ്ഥാനമാക്കിയുള്ള മാസ് സ്‌പെക്‌ട്രോമീറ്ററുകളിൽ നിന്ന് അയോൺ മൊബിലിറ്റി അടിസ്ഥാനമാക്കിയുള്ള മാസ് സ്‌പെക്‌ട്രോമീറ്ററുകളിലേക്കും timsTOF Pro പോലുള്ള ഫ്ലൈറ്റ് മാസ് അനലൈസറുകളിലേക്കും ഒരു പരിവർത്തനത്തിന് വിധേയമായിട്ടുണ്ട്. . അയോൺ മൊബിലിറ്റി ഡൈമൻഷൻ വിവരങ്ങളുള്ള ഉപകരണങ്ങളുടെ timsTOF ശ്രേണിക്ക് ഉയർന്ന കണ്ടെത്തൽ കൃത്യത, കുറഞ്ഞ കണ്ടെത്തൽ പരിധി, നല്ല ആവർത്തനക്ഷമത എന്നിവയുണ്ട്. ഒരൊറ്റ സ്പീഷിസിൻ്റെ പ്രോട്ടീം, മെറ്റാപ്രോട്ടീം, മെറ്റബോളിം എന്നിങ്ങനെ മാസ് സ്പെക്ട്രോമെട്രി കണ്ടെത്തൽ ആവശ്യമായ വിവിധ ഗവേഷണ മേഖലകളിലെ പ്രധാന ഉപകരണങ്ങളായി അവ ക്രമേണ മാറി. വളരെക്കാലമായി, മാസ് സ്പെക്ട്രോമെട്രി ഉപകരണങ്ങളുടെ ചലനാത്മക ശ്രേണി മെറ്റാപ്രോട്ടീം ഗവേഷണത്തിൻ്റെ പ്രോട്ടീൻ കവറേജ് ഡെപ്ത് പരിമിതപ്പെടുത്തിയിരിക്കുന്നു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. ഭാവിയിൽ, വലിയ ചലനാത്മക ശ്രേണിയുള്ള മാസ് സ്പെക്ട്രോമെട്രി ഉപകരണങ്ങൾക്ക് മെറ്റാപ്രോട്ടോമുകളിലെ പ്രോട്ടീൻ തിരിച്ചറിയലിൻ്റെ സംവേദനക്ഷമതയും കൃത്യതയും മെച്ചപ്പെടുത്താൻ കഴിയും.

മാസ് സ്പെക്ട്രോമെട്രി ഡാറ്റ ഏറ്റെടുക്കലിനായി, ഒരൊറ്റ സ്പീഷിസിൻ്റെ പ്രോട്ടീമിൽ DIA ഡാറ്റ അക്വിസിഷൻ മോഡ് വ്യാപകമായി സ്വീകരിച്ചിട്ടുണ്ടെങ്കിലും, നിലവിലുള്ള മിക്ക മാക്രോപ്രോട്ടീം വിശകലനങ്ങളും ഇപ്പോഴും DDA ഡാറ്റ അക്വിസിഷൻ മോഡ് ഉപയോഗിക്കുന്നു. DIA ഡാറ്റ അക്വിസിഷൻ മോഡിന് സാമ്പിളിൻ്റെ ഫ്രാഗ്മെൻ്റ് അയോൺ വിവരങ്ങൾ പൂർണ്ണമായി നേടാനാകും, DDA ഡാറ്റ അക്വിസിഷൻ മോഡുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മാക്രോപ്രോട്ടോം സാമ്പിളിൻ്റെ പെപ്റ്റൈഡ് വിവരങ്ങൾ പൂർണ്ണമായി നേടാനുള്ള കഴിവുണ്ട്. എന്നിരുന്നാലും, DIA ഡാറ്റയുടെ ഉയർന്ന സങ്കീർണ്ണത കാരണം, DIA മാക്രോപ്രോട്ടോം ഡാറ്റയുടെ വിശകലനം ഇപ്പോഴും വലിയ ബുദ്ധിമുട്ടുകൾ നേരിടുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെയും ആഴത്തിലുള്ള പഠനത്തിൻ്റെയും വികസനം DIA ഡാറ്റാ വിശകലനത്തിൻ്റെ കൃത്യതയും സമ്പൂർണ്ണതയും മെച്ചപ്പെടുത്തുമെന്ന് പ്രതീക്ഷിക്കുന്നു.

മെറ്റാപ്രോട്ടോമിക്സിൻ്റെ ഡാറ്റ വിശകലനത്തിൽ, പ്രോട്ടീൻ സീക്വൻസ് ഡാറ്റാബേസിൻ്റെ നിർമ്മാണമാണ് പ്രധാന ഘട്ടങ്ങളിലൊന്ന്. കുടൽ സസ്യങ്ങൾ പോലുള്ള ജനപ്രിയ ഗവേഷണ മേഖലകൾക്ക്, IGC, HMP പോലുള്ള കുടൽ മൈക്രോബയൽ ഡാറ്റാബേസുകൾ ഉപയോഗിക്കാം, കൂടാതെ നല്ല തിരിച്ചറിയൽ ഫലങ്ങൾ കൈവരിച്ചിരിക്കുന്നു. മറ്റ് മിക്ക മെറ്റാപ്രോട്ടോമിക്സ് വിശകലനങ്ങൾക്കും, മെറ്റാജെനോമിക് സീക്വൻസിംഗ് ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഒരു സാമ്പിൾ-നിർദ്ദിഷ്ട പ്രോട്ടീൻ സീക്വൻസ് ഡാറ്റാബേസ് സ്ഥാപിക്കുക എന്നതാണ് ഏറ്റവും ഫലപ്രദമായ ഡാറ്റാബേസ് നിർമ്മാണ തന്ത്രം. ഉയർന്ന സങ്കീർണ്ണതയും വലിയ ചലനാത്മക ശ്രേണിയുമുള്ള മൈക്രോബയൽ കമ്മ്യൂണിറ്റി സാമ്പിളുകൾക്ക്, കുറഞ്ഞ സമൃദ്ധിയുള്ള സ്പീഷിസുകളുടെ തിരിച്ചറിയൽ വർദ്ധിപ്പിക്കുന്നതിന് സീക്വൻസിംഗ് ഡെപ്ത് വർദ്ധിപ്പിക്കേണ്ടത് ആവശ്യമാണ്, അതുവഴി പ്രോട്ടീൻ സീക്വൻസ് ഡാറ്റാബേസിൻ്റെ കവറേജ് മെച്ചപ്പെടുത്തുന്നു. സീക്വൻസിങ് ഡാറ്റ ഇല്ലാത്തപ്പോൾ, പൊതു ഡാറ്റാബേസ് ഒപ്റ്റിമൈസ് ചെയ്യാൻ ഒരു ആവർത്തന തിരയൽ രീതി ഉപയോഗിക്കാം. എന്നിരുന്നാലും, ആവർത്തന തിരയൽ FDR ഗുണനിലവാര നിയന്ത്രണത്തെ ബാധിച്ചേക്കാം, അതിനാൽ തിരയൽ ഫലങ്ങൾ ശ്രദ്ധാപൂർവ്വം പരിശോധിക്കേണ്ടതുണ്ട്. കൂടാതെ, മെറ്റാപ്രോട്ടോമിക്സ് വിശകലനത്തിൽ പരമ്പരാഗത FDR ഗുണനിലവാര നിയന്ത്രണ മോഡലുകളുടെ പ്രയോഗക്ഷമത ഇപ്പോഴും പര്യവേക്ഷണം ചെയ്യേണ്ടതാണ്. തിരയൽ തന്ത്രത്തിൻ്റെ കാര്യത്തിൽ, ഹൈബ്രിഡ് സ്പെക്ട്രൽ ലൈബ്രറി സ്ട്രാറ്റജിക്ക് DIA മെറ്റാപ്രോട്ടോമിക്സിൻ്റെ കവറേജ് ഡെപ്ത് മെച്ചപ്പെടുത്താൻ കഴിയും. സമീപ വർഷങ്ങളിൽ, ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കി സൃഷ്ടിച്ച പ്രവചിക്കപ്പെട്ട സ്പെക്ട്രൽ ലൈബ്രറി DIA പ്രോട്ടിയോമിക്സിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. എന്നിരുന്നാലും, മെറ്റാപ്രോട്ടീം ഡാറ്റാബേസുകളിൽ പലപ്പോഴും ദശലക്ഷക്കണക്കിന് പ്രോട്ടീൻ എൻട്രികൾ അടങ്ങിയിരിക്കുന്നു, ഇത് വലിയ തോതിൽ പ്രവചിക്കപ്പെട്ട സ്പെക്ട്രൽ ലൈബ്രറികൾക്ക് കാരണമാകുന്നു, ധാരാളം കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങൾ ഉപയോഗിക്കുന്നു, കൂടാതെ ഒരു വലിയ തിരയൽ ഇടത്തിന് കാരണമാകുന്നു. കൂടാതെ, മെറ്റാപ്രോട്ടോമുകളിലെ പ്രോട്ടീൻ സീക്വൻസുകൾ തമ്മിലുള്ള സാമ്യം വളരെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു, ഇത് സ്പെക്ട്രൽ ലൈബ്രറി പ്രവചന മാതൃകയുടെ കൃത്യത ഉറപ്പാക്കുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു, അതിനാൽ പ്രവചിക്കപ്പെട്ട സ്പെക്ട്രൽ ലൈബ്രറികൾ മെറ്റാപ്രോട്ടോമിക്സിൽ വ്യാപകമായി ഉപയോഗിച്ചിട്ടില്ല. കൂടാതെ, ഉയർന്ന അനുക്രമ-സമാനമായ പ്രോട്ടീനുകളുടെ മെറ്റാപ്രോട്ടോമിക്സ് വിശകലനത്തിന് ബാധകമാക്കുന്നതിന് പുതിയ പ്രോട്ടീൻ അനുമാനവും വർഗ്ഗീകരണ വ്യാഖ്യാന തന്ത്രങ്ങളും വികസിപ്പിക്കേണ്ടതുണ്ട്.

ചുരുക്കത്തിൽ, വളർന്നുവരുന്ന മൈക്രോബയോം ഗവേഷണ സാങ്കേതികവിദ്യ എന്ന നിലയിൽ, മെറ്റാപ്രോട്ടോമിക്സ് സാങ്കേതികവിദ്യ കാര്യമായ ഗവേഷണ ഫലങ്ങൾ നേടിയിട്ടുണ്ട്, കൂടാതെ വലിയ വികസന സാധ്യതകളുമുണ്ട്.