인간 세린/트레오닌 키노메의 기질 특이성 지도

Nature 613권, 759~766페이지(2023)이 기사 인용

67,000회 액세스

29 인용

433 알트메트릭

측정항목 세부정보

이 기사가 업데이트되었습니다.

단백질 인산화는 생물학에서 가장 널리 퍼진 번역 후 변형 중 하나입니다. 질량 분석 기반 인단백질체학의 발전으로 지금까지 90,000개의 세린 및 트레오닌 인산화 부위가 확인되었으며, 수천 개가 인간 질병 및 생물학적 과정과 연관되어 있습니다3,4. 대부분의 인산화 사건에 대해 인간 게놈에 암호화된 300개 이상의 단백질 세린/트레오닌(Ser/Thr) 키나제 중 어느 것이 원인인지는 아직 알려져 있지 않습니다3. 여기서 우리는 합성 펩타이드 라이브러리를 사용하여 인간에서 활성일 것으로 예측되는 것의 84% 이상을 포함하는 303 Ser/Thr 키나제의 기질 서열 특이성을 프로파일링했습니다. 전체적으로 볼 때 키노메의 기질 특이성은 예상보다 훨씬 더 다양했으며 음성 선택성에 의해 광범위하게 주도되었습니다. 우리는 인간 Ser/Thr 포스포프로테옴에서 보고된 모든 인산화 부위를 인산화할 수 있는 키나제를 계산적으로 주석을 달고 식별하기 위해 키노메 전체 데이터세트를 사용했습니다. 관련된 추정 단백질 키나아제가 이전에 보고된 소수의 인산염에 대해 우리의 예측은 매우 일치했습니다. 호르몬, 성장 인자, 표적 억제제 및 환경 또는 유전적 교란에 대한 조직 및 세포주의 신호 반응을 조사하기 위해 이 접근법을 적용했을 때 경로 복잡성 및 보상에 대한 예상치 못한 통찰력이 드러났습니다. 전반적으로, 이러한 연구는 인간 Ser/Thr 키노메의 고유한 기질 특이성을 밝히고, 세포 신호 전달 반응을 밝히고, 인산화 사건을 생물학적 경로에 연결하는 자원을 제공합니다.

세린, 트레오닌, 티로신 및 히스티딘 잔기의 단백질 인산화는 진핵 세포 기능의 거의 모든 측면을 제어합니다. 단백질 키나제 신호전달의 잘못된 조절은 일반적으로 인간 질병을 유발합니다7. 모든 단백질 키나아제의 세포 역할을 해독하려면 다운스트림 이펙터 기질에 대한 설명이 필요합니다. 그러나 현재까지 발표된 키나제-기질 관계의 대부분은 상대적으로 적은 수의 잘 연구된 단백질 키나제를 포함하는 반면, 약 300개의 인간 단백질 Ser/Thr 키나제의 대부분에 대해 기질이 확인된 경우는 거의 없습니다. 인간 키노메8,9,10 내에서. 키나제-기질 관계에 대한 이러한 지식 부족으로 인해 현재까지 인간 단백질에서 200,000개 이상의 Ser 및 Thr 인산화 부위가 종합적으로 보고된 대규모 질량 분석법(MS) 기반 인산염 단백질 데이터 세트의 해석이 제한됩니다3,4,11,12,13. 이러한 인산화 사건을 담당하는 특정 키나아제는 이러한 부위의 4% 미만으로 보고되었으며3, 이는 세포 인산화 네트워크에 대한 이해를 실질적으로 제한합니다.

잘 연구된 Ser/Thr 키나제는 일반적으로 인산화 부위 주변의 여러 위치에서 특정 아미노산 잔기를 인식하는 것으로 알려져 있습니다. 주어진 단백질 키나제의 특징인 이 짧은 선형 모티프는 주어진 Ser 또는 Thr 잔기에서 인산화를 조절하는 신호 전달 경로의 충실도를 보장합니다. 키나제 인식 모티프에 대한 지식은 예를 들어 일치하는 서열에 대한 인산단백질체학 데이터를 스캐닝함으로써 새로운 기질의 발견을 용이하게 할 수 있습니다. 그러나 현재까지 인산화 부위 서열 모티프는 인간 단백질 Ser/Thr 키노메의 하위 집합에 대해서만 알려져 있습니다. 우리는 이전에 펩타이드 기질의 인산화를 기반으로 개별 키나제에 대한 특이성의 신속한 결정을 가능하게 하는 조합 펩타이드 라이브러리 스크리닝 방법을 설명했습니다. 여기에서 우리는 이러한 방법을 적용하여 인간 Ser/Thr 키놈의 대부분에 대한 최적의 기질 특이성을 실험적으로 결정하고, 모티프를 기반으로 키나제 간의 관계를 특성화하고, 이러한 데이터를 계산적으로 사용하여 가능성이 있는 단백질 키나제를 식별합니다. MS 또는 기타 기술을 사용하여 식별된 모든 부위를 인산화합니다. 마지막으로, 우리는 유전적, 약리학적, 대사적, 환경적 교란 후 세포와 조직의 신호 전달 경로의 복잡한 변화를 포착하기 위해 이 정보를 어떻게 적용할 수 있는지 보여줍니다.