ОБНБиоорганическая химия Russian Journal of Bioorganic Chemistry

  • ISSN (Print) 0132-3423
  • ISSN (Online) 1998-2860

Количественный анализ биомолекулярных конденсатов на модифицированной подложке

Код статьи
S0132342325010022-1
DOI
10.31857/S0132342325010022
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Том/ Выпуск
Том 51 / Номер выпуска 1
Страницы
19-31
Аннотация
Биомолекулярные конденсаты представляют собой скопления биополимеров, образующиеся в водных растворах по механизму разделения фаз “жидкость–жидкость”. Нарушения фазовых переходов белков и нуклеиновых кислот в клетке лежат в основе ряда патологий, и необходимость их моделирования in vitro стимулирует развитие методов исследования конденсатов. В данной работе рассмотрена ключевая проблема визуализации конденсатов меченых белков и РНК методом флуоресцентной микроскопии в бесклеточных моделях. Она сводится к тому, что подвижность конденсатов в слое образца на стекле осложняет обработку и интерпретацию данных. Для ее решения ранее предлагалось иммобилизовать конденсаты на модифицированной подложке – стекле, обработанном 3-аминопропилтриэтоксисиланом (АПТЭС). Такая подложка предполагает нековалентное связывание РНК/ДНК и неоптимальна для белковых конденсатов. С помощью обработки АПТЭС N,N′-дисукцинимидилкарбонатом нами была получена альтернативная подложка ДСК-АПТЭС для ковалентного связывания конденсатов по лизиновым остаткам экспонированных на поверхности конденсата белковых фрагментов. Сравнительный анализ образцов известных конденсатов на всех трех типах подложки выявил значимое снижение их подвижности на модифицированной (АПТЭС или ДСК-АПТЭС) подложке, причем оптимальный тип модификации зависел от состава конденсатов. Эффективная иммобилизация улучшила качество фокусировки, что проявилось в повышении показателя солокализации олигонуклеотидного и белкового компонентов, а также упростила количественный анализ разделения фаз на основе объемной доли конденсатов в образце. Для идентификации конденсатов и автоматизации расчета их доли была разработана программа Droplet_Calc. Полученные с ее помощью данные подтверждают преимущества АПТЭС и ДСК-АПТЭС в сравнении с немодифицированным стеклом при анализе концентрационной зависимости доли конденсатов для построения фазовых диаграмм. Оптимизация подложки и автоматизация обработки изображений открывают возможность быстрого и надежного количественного анализа фазовых переходов биополимеров методами микроскопии, что может быть востребовано в скрининге терапевтических агентов для разрушения патогенных конденсатов.
Ключевые слова
биомолекулярные конденсаты разделение фаз “жидкость–жидкость” AПТЭС N-белок РНК
Дата публикации
09.11.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
43

Библиография

  1. 1. Flory P.J. // J. Chem. Phys. 1949. V. 17. P. 303–310. https://doi.org/10.1063/1.1747243
  2. 2. Dignon G.L., Best R.B., Mittal J. // Annu. Rev. Phys. Chem. 2020. V. 71. P. 53–75. https://doi.org/10.1146/annurev-physchem-071819-113553
  3. 3. Bergeron-Sandoval L.-P., Safaee N., Michnick S.W. // Cell. 2016. V. 165. P. 1067–1079. https://doi.org/10.1016/j.cell.2016.05.026
  4. 4. Mehta S., Zhang J. // Nat. Rev. Cancer. 2022. V. 22. P. 239–252. https://doi.org/10.1038/s41568-022-00444-7
  5. 5. Erdel F., Rippe K. // Biophys. J. 2018. V. 114. P. 2262–2270. https://doi.org/10.1016/j.bpj.2018.03.011
  6. 6. Ilık İ.A., Aktaş T. // FEBS J. 2022. V. 289. P. 7234–7245. https://doi.org/10.1111/febs.16117
  7. 7. Svetlova J.I., Pavlova Iu.I., Aralov A.V., Varizhuk A.M. // Russ. J. Bioorg. Chem. 2023. V. 49. P. 917–929. https://doi.org/10.1134/S1068162023050229
  8. 8. Rekulapally P., Suresh S.N. // Trends Biochem. Sci. 2019. V. 44. P. 993–995. https://doi.org/10.1016/j.tibs.2019.10.001
  9. 9. Protter D.S.W., Parker R. // Trends Cell Biol. 2016. V. 26. P. 668–679. https://doi.org/10.1016/j.tcb.2016.05.004
  10. 10. Wang B., Zhang L., Dai T., Qin Z., Lu H., Zhang L., Zhou F. // Sig. Transduct. Target Ther. 2021. V. 6. P. 290. https://doi.org/10.1038/s41392-021-00678-1
  11. 11. Ganser L.R., Myong S. // Trends Biochem. Sci. 2020. V. 45. P. 1004–1005. https://doi.org/10.1016/j.tibs.2020.05.011
  12. 12. Alberti S., Gladfelter A., Mittag T. // Cell. 2019. V. 176. P. 419–434. https://doi.org/10.1016/j.cell.2018.12.035
  13. 13. Erkamp N.A., Qi R., Welsh T.J., Knowles T.P.J. // Lab Chip. 2023. V. 23. P. 9–24. https://doi.org/10.1039/D2LC00622G
  14. 14. Chen C., Li P., Luo W., Nakamura Y., Dimo V.S., Kanekura K., Hayamizu Y. // Langmuir. 2021. V. 37. P. 5635–5641. https://doi.org/10.1021/acs.langmuir.1c00493
  15. 15. Chen C., Jia H., Nakamura Y., Kanekura K., Hayamizu Y. // ACS Omega. 2022. V. 7. P. 19280–19287. https://doi.org/10.1021/acsomega.2c00811
  16. 16. Saar K.L., Morgunov A.S., Qi R., Arter W.E., Krainer G., Lee A.A., Knowles T.P.J. // Proc. Natl. Acad. Sci. USA. 2021. V. 118. P. e2019053118. https://doi.org/10.1073/pnas.2019053118
  17. 17. Cascarina S.M., Ross E.D. // J. Biol. Chem. 2022. V. 298. P. 101677. https://doi.org/10.1016/j.jbc.2022.101677.
  18. 18. Perdikari T.M., Murthy A.C., Ryan V.H., Watters S., Naik M.T., Fawzi N.L. // EMBO J. 2020. V. 39. P. e106478. https://doi.org/10.15252/embj.2020106478
  19. 19. Iserman C., Roden C.A., Boerneke M.A., Sealfon R.S.G., McLaughlin G.A., Jungreis I., Fritch E.J., Hou Y.J., Ekena J., Weidmann C.A., Theesfeld C.L., Kellis M., Troyanskaya O.G., Baric R.S., Sheahan T.P., Weeks K.M., Gladfelter A.S. // Mol Cell. 2020. V. 80. P. 1078–1091. https://doi.org/10.1016/j.molcel.2020.11.041
  20. 20. Zheng X., Peng Q., Wang L., Zhang X., Huang L., Wang J., Qin Z. // Int. J. Biol. Sci. 2020. V. 16. P. 2442– 2453. https://doi.org/10.7150/ijbs.46751
  21. 21. Fargason T., De Silva N.I.U., King E., Zhang Z., Paul T., Shariq J., Zaharias S., Zhang J. // Elife. 2023. V. 12. P. e84412. https://doi.org/10.7554/eLife.84412
  22. 22. Hermanson G.T. // Bioconjugate Techniques, 3rd ed. Amsterdam: Elsevier BV, 2013. https://www.sciencedirect.com/book/9780123822390/bioconjugate-techniques
  23. 23. Koniev O., Wagner A. // Chem. Soc. Rev. 2015. V. 44. P. 5495–5551. https://doi.org/10.1039/c5cs00048c
  24. 24. Svetlova J., Gustin D., Manuvera V., Shirokov D., Shokina V., Prusakov K., Aldarov K., Kharlampieva D., Matyushkina D., Bespyatykh J., Varizhuk A., Lazarev V., Vedekhina T. // Int. J. Mol. Sci. 2022. V. 23. P. 13220. https://doi.org/10.3390/ijms232113220
  25. 25. Matyushkina D., Shokina V., Tikhonova P., Manuvera V., Shirokov D., Kharlampieva D., Lazarev V., Varizhuk A., Vedekhina T., Pavlenko A., Penkin L., Arapidi G., Pavlov K., Pushkar D., Kolontarev K., Rumyantsev A., Rumyantsev S., Rychkova L., Govorun V. // Viruses. 2022. V. 14. P. 1141. https://doi.org/10.3390/v14061141
  26. 26. Hong Y., Najafi S., Casey T., Shea J.E., Han S.I., Hwang D.S. // Nat. Commun. 2022. V. 13. P. 7326. https://doi.org/10.1038/s41467-022-35001-1
  27. 27. Roden C.A, Dai Y., Giannetti C.A., Seim I., Lee M., Rachel Sealfon, McLaughlin G.A., Boerneke M.A., Iserman C., Wey S.A., Ekena J.L., Troyanskaya O.G., Weeks K.M., You L., Chilkoti A., Gladfelter A.S. // Nucleic Acids Res. 2022. V. 50. P. 8168–8192. https://doi.org/10.1093/nar/gkac596
  28. 28. Kurreck J. // Nucleic Acids Res. 2002. V. 30. P. 1911– 1918. https://doi.org/10.1093/nar/30.9.1911
  29. 29. Svetlova J., Knizhnik E., Manuvera V., Severov V., Shirokov D., Grafskaia E., Bobrovsky P., Matyugina E., Khandazhinskaya A., Kozlovskaya L., Miropolskaya N., Aralov A., Khodarovich Y., Tsvetkov V., Kochetkov S., Lazarev V., Varizhuk A. // Int. J. Mol. Sci. 2022. V. 23. P. 15281. https://doi.org/10.3390/ijms232315281
  30. 30. Пелевин Е.Е., Балясный С.В. // Juvenis Scientia. 2017. № 1. P. 4–7. https://doi.org/10.15643/JSCIENTIA.2017.1.001
  31. 31. Gallois B., Candelier R. // PLoS Comput. Biol. 2021. V. 17. P. e1008697. https://doi.org/10.1371/journal.pcbi.1008697
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека