Сверхбыстрая хроматомасс-спектрометрия в биохимии растений: протеомный ответ озимой пшеницы на предпосевную обработку препаратами железа

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В последние годы для биохимических исследований активно разрабатываются методы ультрабыстрого хроматомасс-спектрометрического профилирования протеомов. Данные методы предназначены для экспресс-мониторинга ответа клеток на биотический стимул, соотнесения молекулярных изменений с биологическими процессами и изменениями фенотипа. Для повышения рентабельности сельского хозяйства внедряют новые биотехнологии, в том числе с применением наноматериалов. При этом необходимы комплексные испытания новых препаратов и исследование механизмов биотического действия на показатели всхожести, роста и развития растений. Целью данной работы являлась адаптация разработанного нами метода ультрабыстрой хроматомасс-спектрометрии DirectMS1 для быстрого количественного профилирования молекулярных изменений в 7-дневных проростках пшеницы, возникающих в ответ на обработку семян препаратами железа. Экспериментальный метод позволяет анализировать до 200 образцов в сутки, его практическая ценность заключается в возможности осуществлять протеомную экспресс-диагностику биотического действия новых препаратов, в том числе и для нужд сельского хозяйства. При обработке семян препаратами, содержащими полимерный пленкообразователь (ПЭГ-400, Na-КМЦ, Na2-ЭДТА), наночастицы железа (II, III) или сульфат железа (II), показаны изменения в процессах фотосинтеза, биосинтеза хлорофилла, порфирин- и тетрапиррол-содержащих соединений, расщепления глюкозы в тканях побегов и метаболизма полисахаридов в тканях корней. Наблюдения на уровне протеома согласуются с результатами морфометрии и подтверждены измерениями активности супероксиддисмутазы и микроэлементным анализом проросших семян и тканей побегов и корней 7-дневных проростков. Предложена характеристическая молекулярная сигнатура для определения регуляции процессов фотосинтеза и расщепления глюкозы на уровне белков. Такая сигнатура рассматривается в качестве потенциального маркера биотического эффекта обработки семян препаратами железа и будет подтверждаться дальнейшими исследованиями.

Об авторах

Т. Т Кусаинова

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе;Московский физико-технический институт (национальный исследовательский университет)

119334 Москва, Россия;141700 Долгопрудный, Московская обл., Россия

Д. Д Емекеева

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе;Московский физико-технический институт (национальный исследовательский университет)

119334 Москва, Россия;141700 Долгопрудный, Московская обл., Россия

Е. М Казакова

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе;Московский физико-технический институт (национальный исследовательский университет)

119334 Москва, Россия;141700 Долгопрудный, Московская обл., Россия

В. А Горшков

Университет Южной Дании

5230 Оденсе, Дания

Ф. Кьелдсен

Университет Южной Дании

5230 Оденсе, Дания

М. Л Кусков

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе

119334 Москва, Россия

А. Н Жигач

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе

119334 Москва, Россия

И. П Ольховская

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе

119334 Москва, Россия

О. А Богословская

Федеральный исследовательский центр химической физики им. Н.Н. Семенова РАН, Институт энергетических проблем химической физики им. В.Л. Тальрозе

119334 Москва, Россия

Список литературы

  1. Ivanov, M. V., Bubis, J. A., Gorshkov, V., Tarasova, I. A., Levitsky, L. I., Lobas, A. A., Solovyeva, E. M., Pridatchenko, M. L., Kjeldsen, F., and Gorshkov, M. V. (2020) DirectMS1: MS/MS-Free identification of 1000 proteins of cellular proteomes in 5 minutes, Anal. Chem., 92, 4326-4333, doi: 10.1021/acs.analchem.9b05095.
  2. Ivanov, M. V., Tarasova, I. A., Levitsky, L. I., Solovyeva, E. M., Pridatchenko, M. L., Lobas, A. A., Bubis, J. A., and Gorshkov, M. V. (2017) MS/MS-free protein identification in complex mixtures using multiple enzymes with complementary specificity, J. Proteome Res., 16, 3989-3999, doi: 10.1021/acs.jproteome.7b00365.
  3. Wang, X., Shen, S., Rasam, S. S., and Qu, J. (2019) MS1 ion current-based quantitative proteomics: a promising solution for reliable analysis of large biological cohorts, Mass Spectrom. Rev., 38, 461-482, doi: 10.1002/mas.21595.
  4. Meyer, J. G., Niemi, N. M., Pagliarini, D. J., and Coon, J. J. (2020) Quantitative shotgun proteome analysis by direct infusion, Nat. Methods, 17, 1222-1228, doi: 10.1038/s41592-020-00999-z.
  5. Demichev, V., Messner, C. B., Vernardis, S. I., Lilley, K. S., and Ralser, M. (2020) DIA-NN: neural networks and interference correction enable deep proteome coverage in high throughput, Nat. Methods, 17, 41-44, doi: 10.1038/s41592-019-0638-x.
  6. Ivanov, M. V., Bubis, J. A., Gorshkov, V., Abdrakhimov, D. A., Kjeldsen, F., and Gorshkov, M. V. (2021) Boosting MS1-only proteomics with machine learning allows 2000 protein identifications in single-shot human proteome analysis using 5 min HPLC gradient, J. Proteome Res., 20, 1864-1873, doi: 10.1021/acs.jproteome.0c00863.
  7. Ivanov, M. V., Bubis, J. A., Gorshkov, V., Tarasova, I. A., Levitsky, L. I., Solovyeva, E. M., Lipatova, A. V., Kjeldsen, F., and Gorshkov, M. V. (2022) DirectMS1Quant: ultrafast quantitative proteomics with MS/MS-free mass spectrometry, Anal. Chem., 94, 13068-13075, doi: 10.1021/acs.analchem.2c02255.
  8. Kashyap, P. L., Kumar, S., Jasrotia, P., Singh, D. P., and Singh, G. P. (2020) Nanotechnology in Wheat Production and Protection, in Environmental Nanotechnology Volume 4 (Dasgupta, N., Ranjan, S., and Lichtfouse, E., eds) Springer International Publishing, Cham, pp. 165-194, doi: 10.1007/978-3-030-26668-4_5.
  9. Shang, Y., Hasan, M. K., Ahammed, G. J., Li, M., Yin, H., and Zhou, J. (2019) Applications of nanotechnology in plant growth and crop protection: a review, Molecules, 24, 2558, doi: 10.3390/molecules24142558.
  10. Paramo, L. A., Feregrino-Pérez, A. A., Guevara, R., Mendoza, S., and Esquivel, K. (2020) Nanoparticles in agroindustry: applications, toxicity, challenges, and trends, Nanomaterials, 10, 1654, doi: 10.3390/nano10091654.
  11. Zhao, L., Lu, L., Wang, A., Zhang, H., Huang, M., Wu, H., Xing, B., Wang, Z., and Ji, R. (2020) Nano-biotechnology in agriculture: use of nanomaterials to promote plant growth and stress tolerance, J. Agric. Food Chem., 68, 1935-1947, doi: 10.1021/acs.jafc.9b06615.
  12. Husen, A., and Siddiqi, K. S. (2014) Phytosynthesis of nanoparticles: concept, controversy and application, Nanoscale Res. Lett., 9, 229, doi: 10.1186/1556-276X-9-229.
  13. Khot, L. R., Sankaran, S., Maja, J. M., Ehsani, R., and Schuster, E. W. (2012) Applications of nanomaterials in agricultural production and crop protection: a review, Crop Prot., 35, 64-70, doi: 10.1016/j.cropro.2012.01.007.
  14. Yasmeen, F., Raja, N. I., Razzaq, A., and Komatsu, S. (2016) Gel-free/label-free proteomic analysis of wheat shoot in stress tolerant varieties under iron nanoparticles exposure, Biochim. Biophys. Acta, 1864, 1586-1598, doi: 10.1016/j.bbapap.2016.08.009.
  15. Du, W., Yang, J., Peng, Q., Liang, X., and Mao, H. (2019) Comparison study of zinc nanoparticles and zinc sulphate on wheat growth: from toxicity and zinc biofortification, Chemosphere, 227, 109-116, doi: 10.1016/j.chemosphere.2019.03.168.
  16. Das, C. K., Srivastava, G., Dubey, A., Roy, M., Jain, S., Sethy, N. K., Saxena, M., Harke, S., Sarkar, S., Misra, K., Singh, S. K., Bhargava, K., Philip, D., and Das, M. (2016) Nano-iron pyrite seed dressing: a sustainable intervention to reduce fertilizer consumption in vegetable (beetroot, carrot), spice (fenugreek), fodder (alfalfa), and oilseed (mustard, sesamum) crops, Nanotechnol. Environ. Eng., 1, 2, doi: 10.1007/s41204-016-0002-7.
  17. Yuan, J., Chen, Y., Li, H., Lu, J., Zhao, H., Liu, M., Nechitaylo, G. S., and Glushchenko, N. N. (2018) New insights into the cellular responses to iron nanoparticles in Capsicum annuum, Sci. Rep., 8, 3228, doi: 10.1038/s41598-017-18055-w.
  18. Yoon, H., Kang, Y.-G., Chang, Y.-S., and Kim, J.-H. (2019) Effects of zerovalent Iron nanoparticles on photosynthesis and biochemical adaptation of soil-grown Arabidopsis thaliana, Nanomaterials (Basel), 9, 1543, doi: 10.3390/nano9111543.
  19. Sharma, J. K., Sihmar, M., Santal, A. R., and Singh, N. P. (2019) Impact assessment of major abiotic stresses on the proteome profiling of some important crop plants: a current update, Biotechnol. Genet. Eng. Rev., 35, 126-160, doi: 10.1080/02648725.2019.1657682.
  20. Hossain, Z., Yasmeen, F., and Komatsu, S. (2020) Nanoparticles: synthesis, morphophysiological effects, and proteomic responses of crop plants, Int. J. Mol. Sci., 21, 3056, doi: 10.3390/ijms21093056.
  21. Yasmeen, F., Raja, N. I., Razzaq, A., and Komatsu, S. (2017) Proteomic and physiological analyses of wheat seeds exposed to copper and iron nanoparticles, Biochim. Biophys. Acta Proteins Proteom., 1865, 28-42, doi: 10.1016/j.bbapap.2016.10.001.
  22. Leipunsky, I. O., Zhigach, A. N., Kuskov, M. L., Berezkina, N. G., Afanasenkova, E. S., Kudrov, B. V., Lopez, G. W., Vorobjeva, G. A., and Naumkin, A. V. (2019) Synthesis of TiH2 nanopowder via the Guen-Miller flow-levitation method and characterization, J. Alloys Compd., 778, 271-279, doi: 10.1016/j.jallcom.2018.11.088.
  23. Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., et al. (2020) SciPy 1.0: fundamental algorithms for scientific computing in Python, Nat. Methods, 17, 261-272, doi: 10.1038/s41592-019-0686-2.
  24. Elias, J. E., and Gygi, S. P. (2010) Target-Decoy Search Strategy for Mass Spectrometry-Based Proteomics, in Proteome Bioinformatics (Hubbard, S. J., and Jones, A. R., eds) Humana Press, Totowa, NJ, pp. 55-71, doi: 10.1007/978-1-60761-444-9_5.
  25. Zhang, B., Pirmoradian, M., Zubarev, R., and Käll, L. (2017) Covariation of peptide abundances accurately reflects protein concentration differences, Mol. Cell. Proteomics, 16, 936-948, doi: 10.1074/mcp.O117.067728.
  26. Benjamini, Y., and Hochberg, Y. (1995) Controlling the false discovery rate: a practical and powerful approach to multiple testing, J. R. Stat. Soc. Ser. B Methodol., 57, 289-300, doi: 10.1111/j.2517-6161.1995.tb02031.x.
  27. Kazakova, E. M., Solovyeva, E. M., Levitsky, L. I., Bubis, J. A., Emekeeva, D. D., Antonets, A. A., Nazarov, A. A., Gorshkov, M. V., and Tarasova, I. A. (2022) Proteomics-based scoring of cellular response to stimuli for improved characterization of signaling pathway activity, Proteomics, 23, e2200275, doi: 10.1002/pmic.202200275.
  28. Kulmanov, M., and Hoehndorf, R. (2020) DeepGOPlus: improved protein function prediction from sequence, Bioinformatics, 36, 422-429, doi: 10.1093/bioinformatics/btz595.
  29. Klopfenstein, D. V., Zhang, L., Pedersen, B. S., Ramírez, F., Warwick Vesztrocy, A., Naldi, A., Mungall, C. J., Yunes, J. M., Botvinnik, O., Weigel, M., Dampier, W., Dessimoz, C., Flick, P., and Tang, H. (2018) GOATOOLS: A python library for gene ontology analyses, Sci. Rep., 8, 10872, doi: 10.1038/s41598-018-28948-z.
  30. Габдрахманов И. Т., Горшков М. В., Тарасова И. А. (2021) Клеточный ответ на стресс в панорамной протеомике: контроль ложноположительных результатов, Биохимия, 86, 395-408, doi: 10.31857/S0320972521030088.
  31. Zhang, Y., Hu, X., Islam, S., She, M., Peng, Y., Yu, Z., Wylie, S., Juhasz, A., Dowla, M., Yang, R., Zhang, J., Wang, X., Dell, B., Chen, X., Nevo, E., Sun, D., and Ma, W. (2018) New insights into the evolution of wheat avenin-like proteins in wild emmer wheat (Triticum dicoccoides), Proc. Natl. Acad. Sci. USA, 115, 13312-13317, doi: 10.1073/pnas.1812855115.
  32. Nagahatenna, D. S. K., Parent, B., Edwards, E. J., Langridge, P., and Whitford, R. (2020) Barley plants overexpressing ferrochelatases (HvFC1 and HvFC2) show improved photosynthetic rates and have reduced photo-oxidative damage under drought stress than non-transgenic controls, Agronomy, 10, 1351, doi: 10.3390/agronomy10091351.
  33. Masuda, T., Suzuki, T., Shimada, H., Ohta, H., and Takamiya, K. (2003) Subcellular localization of two types of ferrochelatase in cucumber, Planta, 217, 602-609, doi: 10.1007/s00425-003-1019-2.
  34. Cornah, J. E., Roper, J. M., Singh, D. P., and Smith, A. G. (2002) Measurement of ferrochelatase activity using a novel assay suggests that plastids are the major site of haem biosynthesis in both photosynthetic and non-photosynthetic cells of pea (Pisum sativum L.), Biochem. J., 362, 423-432, doi: 10.1042/bj3620423.

© Российская академия наук, 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах