Lipider er en klasse af biomolekyler, der spiller en vigtig rolle i mange cellulære processer. Analyser, der søger at karakterisere alle lipider i en prøve - kaldet lipidomics - er afgørende for at studere komplekse biologiske systemer.
En vigtig udfordring i lipidomics er at forbinde de mange forskellige strukturer af lipider med deres biologiske funktioner. Positionerne af dobbeltbindingerne inden for fedtsyrekæder er særligt vigtige. Dette skyldes, at de kan påvirke de fysiske egenskaber af cellulære membraner og modulere cellesignalveje.
Denne information måles ikke rutinemæssigt i lipidomiske undersøgelser, fordi det kræver en kompliceret eksperimentel opsætning, der producerer komplekse data. Således udviklede forskere ved Pacific Northwest National Laboratory (PNNL) en strømlinet arbejdsgang til at bestemme positionerne af dobbeltbindinger. Denne arbejdsgang bruger både automatisering og maskinlæring.
Deres nye metode, LipidOz, strømliner dataanalysen for at bestemme positionerne af dobbeltbindinger. Ved at adressere denne nøgledel af analysen af lipider tilbyder LipidOz forskerne en mere effektiv og præcis metode til lipidkarakterisering. Undersøgelsen er publiceret i tidsskriftet Communications Chemistry .
Den utvetydige identifikation af lipider kompliceres af tilstedeværelsen af molekylære dele, der har den samme kemiske formel, men forskellige fysiske konfigurationer. Specifikt omfatter forskellene i disse molekylære dele fedtacylkædelængden, stereospecifikt nummereret (sn) position og position/stereokemi af dobbeltbindinger.
Konventionelle analyser kan bestemme fedtacylkædelængderne, antallet af dobbeltbindinger og - i nogle tilfælde - sn-positionen, men ikke positionerne for carbon-carbon-dobbeltbindinger. Positionerne af disse dobbeltbindinger kan bestemmes med større sikkerhed ved hjælp af en gasfase-oxidationsreaktion kaldet ozon-induceret dissociation (OzID), som producerer karakteristiske fragmenter.
Analysen af data opnået fra denne reaktion er imidlertid kompleks og gentagne, og der er mangel på softwareværktøjsunderstøttelse. Open-source Python-værktøjet, LipidOz, bestemmer og tildeler automatisk lipiders dobbeltbindingspositioner ved hjælp af en kombination af traditionel automatisering og deep learning-tilgange. Ny forskning viser denne evne til standard lipidblandinger og komplekse lipidekstrakter, hvilket muliggør praktisk anvendelse af OzID til fremtidige lipidomiske undersøgelser.
Flere oplysninger: Dylan H. Ross et al., LipidOz muliggør automatiseret belysning af lipid-carbon-carbon-dobbeltbindingspositioner fra ozon-induceret dissociationsmassespektrometridata, Communications Chemistry (2023). DOI:10.1038/s42004-023-00867-9
Journaloplysninger: Kommunikationskemi
Leveret af Pacific Northwest National Laboratory
Sidste artikelNy sensor registrerer kemikalier, der forringer skjoldbruskkirtlen
Næste artikelSå nemt som at tælle til ti:En ny regel for katalysatordesign