Açık Kaynak İş Akışı, Alan Proteomikini Kullanımı Kolaylaştırıyor

Baş ve boyun kanseri doku örneğinin çoklu immünfloresan görüntülemesi. Sol taraf orijinal mikroskop görüntüsünü, sağa doğru hücre segmentasyonuna dönüşerek derin görsel proteomik numune almayı yönlendiren kısmı gösteriyor. Kaynak: Sonja Fritzsche, Coscia laboratuvarı, Max Delbrück Merkezi

Fabian Coscia ve ekibi, Nature Methods dergisinde Derin Görsel Proteomiki (DVP) kullanımı daha kolay, uyarlanabilir ve ölçeklenebilir hale getiren açık kaynaklı bir iş akışı yayımladı. OpenDVP, bilim insanlarına hücrelerin ve hücresel ortamlarının içinde binlerce proteini uzaysal olarak haritalamalarını sağlarken, doku bağlamının korunmasını da garanti eder.

Günümüz ticari uydular, 20 yıl önce hayal bile edilemeyecek bir ayrıntı düzeyinde manzaraları görüntüleyebilir: bireysel ağaçları, altyapıdaki çatlakları ve hatta tabela işaretlerinin ayrıntılarını yakalarlar.

Proteomik araştırmalarda Derin Görsel Proteomik (DVP), bilim insanlarına hücre ve moleküler ölçekte benzer bir şey yapma imkanı tanır—seçili hücrelere ve hücresel topluluklara yakınlaşarak binlerce proteini ölçebilirler ve bu hücrelerin bir doku içinde nerede konumlandığına dair bilgiyi korurlar.

Şimdi Coscia’ın liderliğini yaptığı Max Delbrück Merkezi Uzaysal Proteomik laboratuvarının araştırmacıları, teknolojiyi kullanımı daha kolay, uyarlanabilir ve ölçeklenebilir hale getirmek için açık kaynaklı uçtan uca bir iş akışı olan openDVP’yi kurdular.

Cosciab laboratuvarı, 2022’de ilk kez yayımlanan DVP yöntemini birlikte geliştirdi. Yöntemin kavramsal yeniliği ve kanıtlanmış çevirimsel etkisi temel alınarak, Nature Methods bunu uzaysal proteomikte “2024 Yılı yöntemi” olarak öne çıkardı; openDVP çalışmasının kıdemli yazarı Coscia böyle açıklıyor.

“Yöntemin son birkaç yılda ilerlemesinden çok heyecanlıyız ve bu, birkaç uluslararası grubun ortak çabasıydı,” diyor ekliyor. “Ama aynı zamanda daha further gelişiminin ve topluluk tarafından benimsenmesinin açık kaynaklı araçlar gerektirdiğini de fark ettik. openDVP’yi bu kritik açığı kapatmak için kurduk.”

Teknolojinin erişimini genişletmek

DVP, yüksek çözünürlüklü görüntülemeyi, yapay zekâyı ve kütlesel spektrometriyi birleştirerek hücrelerin dokular içindeki konumlarını, hücrenin aslında yaptığı şeylerin çoğunu belirleyen binlerce proteini içeren proteomleriyle bağlar.

Bu kadar ince ayrıntıyla proteinleri kendi doğal dokuları içinde kataloglayabilme, görselleştirebilme ve nicelendirebilme yeteneği, hastalıkların nasıl geliştiğine dair anlayışımızı derinleştirebilir ve nihayetinde bilim insanlarının daha iyi hastalık müdahaleleri ve tedavileri tasarlamalarına yardımcı olabilir. DVP uygulamaları herhangi bir hastalıkla sınırlı değildir ve ilk olarak herhangi bir tür biyolojik örneğe uygulanabilir.

Ancak DVP’nin büyük zorluklarından biri, birkaç teknik açıdan birbirinden farklı adımı birbirine bağlamaktır: doku görüntüleme, görüntüleri analiz etme, hücreleri veya doku bölgelerini tanımlama, onları fiziksel olarak izole etme, örnekleri kütlesel spektrometriyle çalışma ve ardından verileri analiz etme.

openDVP artık bu adımları modüler, açık kaynaklı bir çerçeve içinde bir araya getiriyor. Ekip, görüntü analiz sürecini sadeleştirdi ve hesaplama tabanlı görüntü analizinde kapsamlı uzmanlık gerektirmeden, araştırmacıların büyük sayıda bireysel hücre veya ilgi alanının hızlıca etiketlenebilmesini, toplanabilmesini ve ölçülebilmelerini sağlayan hızlı yol bir iş akışı geliştirdi.

Aynı zamanda, doku toplama işlemini, tekrarlayan, işlevsel hücre gruplarına dayanarak yönlendiren, hücre komşuluğu rehberliğinde DVP olarak adlandırılan yeni bir doku numune alma stratejisi daha tanıttılar. Kanserde örneğin, bir tümörü çevreleyen hücrelerin kimliği, tedavi çıktılarını ve hastalığın ilerleyip ilerlemeyeceğini sıklıkla öngörebilir.

“Ancak bu hücrelerin aslında ne yaptıkları konusunda çok az şey biliyoruz,” diyor çalışmanın ilk yazarı Jose Nimo. Küresel proteomik bilgisinin böyle kritik bilgiler sağlayabileceğini ekliyor.

“Bu hücre komşuluklarını kütlesel spektrometriye dayalı proteomik için hedefleyerek, hücrelerin nerede olduğunu ve belirli bir doku ortamı içinde hangi diğer hücrelerle iletişim kurduğunu öğrenebiliriz. Bu önemlidir çünkü hücreler yalnızız işlev göstermez. Davranışları, çevrelerindeki hücreler tarafından güçlü şekilde etkilenir.”

Teknolojinin yeteneklerini göstermek için araştırmacılar, üç farklı doku örneğindeki hücrelerin uzaysal olarak çözülmüş proteomlerini analiz edip karakterize ettiler: plasenta, akciğer adenokarsinomu ve breast kanseri. “Ancak openDVP belirli bir doku veya hastalıkla sınırlı değildir,” Coscia açıklıyor.

“Yalnızca yöntemin çok yönlü olduğunu ve farklı, büyük ölçüde keşfedilmemiş hücre ortamlarındaki proteinlerin işlevine dair özgün bilgiler verebileceğini göstermek için bu örnekleri seçtik.”

Bakır kanseri örneğinde openDVP, zaten onaylanmış tedavilerin mevcut olduğu onlaraca ilaç hedefi ortaya çıkardı. Meme kanserinde ise teknoloji, kemoterapi direnci ve kanserin nüklemesiyle ilişkili, yükselmiş ve muhtemelen ilaç hedefi olabilecek iltihaplanma yollarını açığa çıkardı.

Klinik uygulamalar

Çerçeve açık kaynaklı ve modüler olduğu için araştırmacılar bileşenleri birbirleriyle paylaşabilir veya tüm iş akışını yeniden kurmadan yeni yöntemleri entegre edebilir.

Bu, özellikle klinik çalışmalarında önemli hale gelebilir; bu durumda spatial proteomics, hastaların belirli bir ilaç tedavisine neden yanıt vermeyi bıraktıklarını moleküler düzeyde açıklamaya yardımcı olabilir. Aynı zamanda hastanın tedaviye yanıt verip vermediğini doğrulayabilecek biyarkerleri de belirleyebilir.

Tekniği klinik açıdan daha faydalı hale getirmeye yönelik bir adım olarak ekip, yazılımın dokuları tanıma ve etiketleme şeklini tamamen otomatikleştirmek için patoloji temel modelleri—histopatoloji verileriyle eğitilmiş büyük yapay zeka sinir ağları—entegre etmeyi planlıyor.

“Bu bize çok farklı hastalıklarda ölçekli spatial proteomics çalışmalarını yürütmemizi sağlayacak,” diyor Nimo.

Araştırmacılar openDVP’yi, görüntüleme, yapay zeka ve kütlesel spektrometri teknolojileri ilerledikçe evrilebilecek bir topluluk platformu olarak hayal ediyor.

“openDVP harika bir teknoloji olanak sağlayıcı,” ekliyor Coscia. “Şimdi birkaç yıl önce tamamen hayal bile edilemeyecek yeni sorulara yanıt verebiliyoruz.”

Jose Nimo et al., OpenDVP: an experimental and computational framework for community-empowered deep visual proteomics, Nature Methods (2026). DOI: 10.1038/s41592-026-03262-z

Dergi bilgisi:
Nature Methods

kütlesel spektrometri

Max Delbrück Moleküler Tıp Merkezi

Hikayenin arkasındaki isimler

BSc Hayat Bilimleri & Ekoloji. Petrol, gaz ve yenilenebilir enerji sektörlerinde ilaç haberleri deneyimine sahip mikrobiyoloji laboratuvarı geçmişi.

Profilin tamamı →

Matematiksel biyoloji lisansı, yaratıcı yazma yüksek lisansı. Bilim ve dil üzerine özgün bakış açılarına sahip, geniş çapta seyahat etmiş.

Profilin tamamı →

Alıntı

:
Açık kaynaklı iş akışı, spatial proteomics’i kullanımı kolay hale getiriyor (2026, 23 Ekim)
23 Ekim 2026 tarihinde
retrieved 23 October 2026
from https://phys.org/news/2026-10-source-workflow-spatial-proteomics-easier.html

Bu belge telif hakkına tabidir. Özel çalışma veya araştırma amacıyla yapılan adil kullanım dışında, içerigin hiçbir kısmı yazılı izin olmadan çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.