12월 6일 네이쳐 메소드에서 올해의 메소드를 발표했다. 2013년에는 single-cell sequencing이, 작년에는 long-read sequencing이 선정되었다. 2024년 올해의 메소드는 Spatial proteomics인데, 말 그대로 단백체학을 공간의 개념으로 확장한 방법이라고 볼 수 있다. 이 용어는 상당히 범위가 넓은 Umbrella term인데, 아래와 같은 기술들을 포함한다.
- Cyclic immunoflurescence (cycIF)
- Co-detection by indexing (CODEX)
- Iterative bleaching extends multiplexity (IBEX)
- Multiplexed ion beam imaging (MIBI)
- Imaging mass cytometry (IMC)
- Deep visual proteomics (DVP)
이 방법들을 통해 조직이나 장기의 단편의 다중화된 이미지 (Multiplexed image)를 얻을 수 있고, 단백질의 조성과 공간적 구성에 대해 이해할 수 있다. Multiplexed image는 쉽게 말하면 여러개의 마커가 사용된 이미지인데, immunofluorescence를 이용한 방법이라면 flow cytometry처럼 fluorescence를 결합한 항체를 사용한 것이다. Nature method에서 소개하기를, 최근 immunofluorescence를 이용한 spatial proteomics를 넘은 DVP의 발전이 올해의 메소드로 선정하는데 중요한 이유라고 한다. 2022년 nature biotechnology에 게재된 DVP에 대해 알아보자면, 이는 laser microdissection, AI 그리고 mass spectrometry를 결합한 하나의 workflow이다.
전통적인 mass spectrometry과 다르게, DVP는 조직에서 single cell을 분리하는 방법에 차이가 있다. 먼저 조직의 단편을 딥러닝을 이용해 segmentation하고 그 이미지에 따라 laser microdissection을 이용해 single cell을 분리한다. 조직, 특히 종양 조직은 여러 세포의 종류들로 이루어져있는데, AI를 이용해 세포 타입을 구별하고, 세포 타입별로 single cell을 잘라낸다면 cell class별로 더 높은 resolution을 가진 proteomics를 구할 수 있을 것이다.
이렇게 cell classes별로 proteomic profile을 구하면 정상 세포와 종양 세포의 특정 단백질 expression level을 비교할 수 있다. 그리고 조직의 특정 위치의 정보가 보존된 단백질 map을 만들 수 있다. 이 때, antibody나 fluorescence 마커를 사용하지 않기 때문에 이용 가능한 antibody의 개수에 구애받지 않는다는 장점이 있다.
출처: https://www.nature.com/articles/s41592-024-02565-3
https://www.youtube.com/watch?v=_oZxCdCj1nQ
Mund, A., Coscia, F., Kriston, A. et al. Deep Visual Proteomics defines single-cell identity and heterogeneity. Nat Biotechnol 40, 1231–1240 (2022). https://doi.org/10.1038/s41587-022-01302-5
댓글