Hochdurchsatzerkennung von Lipidstrukturen in LC-MS/MS Daten

Problembeschreibung: LC-MS/MS Daten erlauben die Aufklärung struktureller Eigenschaften der Lipidmoleküle. Aus diesen Daten sind die Fettsäureketten sowie in vielen Fällen auch deren regiospezifische Position ableitbar. Jedoch können sich die MS/MS Spektren ein und desselben Lipids sehr unterscheiden, da die Fragmentierung von der Massenspektrometrie, von der MS/MS Kollisionsenergie, der Ladung des Moleküls und den Adduktionen abhängt. Aufgrund dieser Spektrendiversität gibt es keine universell einsetzbar Bioinformatiksoftware für die automatisierte Analyse von LC-MS/MS Daten für Lipide. Projektziele: Das Ziel dieses Projektes ist die Entwicklung einer vielseitig- und universell einsetzbaren Methode für die automatisierte Ermittlung der Struktur von Lipiden anhand von LC-MS/MS Daten, die auch für komplexe Lipidproben einsetzbar ist. Die Methode soll durch den Endnutzer einfach an unterschiedliche Massenspektrometer und experimentelle Bedingungen adaptiert werden können. Hierfür ist die Entwicklung einer Sprache zur Beschreibung der unterschiedlichen MS/MS Fragmentierungsspektren geplant. Basierend auf dieser Beschreibungssprache identifiziert ein neuartiger Algorithmus die Lipide und deren strukturellen Aufbau. Die Leistungsfähigkeit der Methode wird sowohl anhand von Proben bekannter Zusammensetzung als auch anhand von komplexen biologischen Proben evaluiert. Weiters soll eine graphische Benutzeroberfläche für eine benutzerfreundliche visuelle Definition der Identifizierungsregeln entwickelt werden, wobei zusätzliche vordefinierte Regeln für die am häufigsten eingesetzten Massenspektrometer zur Verfügung gestellt werden sollen. Stand der Forschung: Für die Auswertung von MS/MS Lipiddaten gibt es momentan nur eine handvoll von Softwaretools, die entweder die Vorteile der Flüssigkeitschromatographie nicht nützen oder nur für eine ganz spezielle Lipidklasse oder ein spezielles experimentelles Setup anwendbar sind. Außerdem ist eine Erweiterung der Anwendungen durch die Endbenutzer nicht möglich. Wissenschaftliche Bedeutung: Die Analyse von LC MS/MS Daten liefert in einem einzigen Experiment umfangreiche und detaillierte Informationen über das Lipidom einer komplexen biologischen Probe. Die Implementierung einer universell einsetzbaren Software für die automatisierte Analyse dieser Daten wird die Lipidforschung entscheidend beschleunigen. Dadurch wird eine globale Charakterisierung des Lipidoms und dessen Änderungen bei unterschiedlichen physiologischen und/oder pathologischen Bedingungen im Hochdurchsatz ermöglicht, wodurch tiefere Einblicke in die zugrundeliegenden Prozesse einfacher, schneller und mit geringerem Personalaufwand zugänglich werden. Methoden, Personal und Zeitplan: Das dreijährige Projekt wird von G. Thallinger, Leiter der Bioinformatik am IGB (TU Graz), koordiniert. Der MS-Analytiksoftware erfahrene Senior Postdoc J. Hartler entwickelt die geplanten Methoden und die Software. MS Experimente und Usability Tests werden von M. Trötzmüller, einem erfahrenen Massenspektrometriker, durchgeführt. Er wird von H. Köfeler, dem Leiter der international renomierten Core Faciltiy Lipidomics am ZMF (MU Graz), betreut. Biologische Experimente werden von G. Hämmerle (IMB, KFU Graz) durchgeführt. Für den Test der neuen Methoden auf verschiedenen MS Geräten arbeiten wir mit M. Wakelem (Babraham Institute, Cambridge, UK) und G. Rechberger (IMB, KFU Graz) zusammen.

Keine Lipide, kein Leben: Lipide bilden in jedem Organismus Zellmembranen, speichern Energie und geben sie bei Bedarf wieder ab, und spielen eine wichtige Rolle in der Zellkommunikation. Es ist erwiesen, dass Änderungen oder Störungen der Lipidzusammen- setzung bei Krankheiten wie Krebs, Fettleber oder Multipler Sklerose eine kausale Rolle spielen. Groben Schätzungen zufolge gibt es etwa 300.000 unterschiedliche Lipidmoleküle. Rückschlüsse darauf, welche Änderungen der Lipidzusammensetzung zu welchen Krank- heitsbildern führen, lassen sich nur durch Vergleiche der Lipide aus gesunden und aus erkrankten Organismen ziehen. Das setzt eine verlässliche und rasche Detailinformation über die Struktur und Zusammensetzung der Lipide aus Gewebeproben voraus dafür wurde im Rahmen des Projekts ein Werkzeug der Lipid Data Analyzer - entwickelt, das in der renommierten Zeitschrift Nature Methods veröffentlicht wurde. Lipide oft vereinfacht als Fette bezeichnet - sind komplexe Substanzen, die neben verschiedenen anderen Komponenten charakteristisch aus Fettsäuren aufgebaut sind. Die Erkennung der zugehörigen Strukturen im Hochdurchsatzverfahren steht noch am Anfang. Dabei wird eine große Anzahl an Proben gleichzeitig massenspektrometrisch vermessen aus den dabei gewonnenen spektralen Daten lassen sich beispielsweise die Lipidklasse und die Art und Position der Fettsäureketten im Lipid feststellen. Allerdings unterscheiden sich, abhängig vom eingesetzten Massenspektrometer, die gemessenen Spektren ein und desselben Lipids. Aufgrund dieser Spektrendiversität gab es bislang keine universell einsetz- bare Bioinformatiksoftware für die automatisierte Ermittlung der Lipidstrukturen. Schnelle und übersichtliche Detailinfos zur Lipidzusammensetzung aus Zellproben ist die Voraussetzung für Vergleiche mit Referenzproben aus gesunden Zellen nur so ist erkennbar, welche Änderungen der Lipidzusammensetzung Biomarker für Krankheiten sein können. Der Lipid Data Analyzer wird die Arbeit in der biomedizinischen Forschung immens erleichtern und die Lipidforschung deutlich beschleunigen. Die Methode, die an der TU Graz gemeinsam mit Kolleginnen und Kollegen der Med Uni Graz und der Uni Graz entwickelt wurde, interpretiert Lipidspektren anhand intuitiver Regelwerke und kann flexibel an das jeweilige Massenspektrometer angepasst werden. Mit diesem Tool ist es erstmals möglich, Lipide auf einer sehr detaillierten, strukturellen Ebene automatisiert zu identifizieren, genauer und zuverlässiger als mit bisherigen Lösungen. Im Rahmen des Projektes wurden mit dem Lipid Data Analyzer mehr als 100 neuartige Lipid Spezies entdeckt, die bisher noch nicht beschrieben waren. Der entwickelte Analyseansatz kann nicht nur für neue Lipidklassen erweitert werden, sondern ist auch auf andere biologische Stoffgruppen, wie z.B. komplexe Zuckermoleküle, übertragbar. Das Tool wird als Open Source der Wissenschaftsgemeinde zur Verfügung gestellt.