Diario de la proteómica xxx (xxxx) xxx-xxx

listas de contenidos ofrecidos en ScienceDirect

Diario de la proteómica

revista Página de inicio: www.elsevier.com/locate/jprot

Pro expresión temporal fi ling de proteínas plasmáticas revela estrés oxidativo en las primeras etapas de la
progresión del Tipo 1 Diabetes

Chih-Wei Liu un , Lisa Bramer segundo , Bobbie-Jo Webb-Robertson segundo , Kathleen Waugh do , Marian J. Rewers do ,
Qibin Zhang un , re , •
un Centro de Conversión de Investigación Biomédica de la Universidad de Carolina del Norte en Greensboro, Campus de Investigación de Carolina del Norte, Kannapolis, Carolina del Norte, Estados Unidos

segundo Estadística Aplicada y Modelización Computacional, Pacífico fi c Northwest Laboratory Nacional, Richland, WA, Estados Unidos

do Centro Barbara Davis de Diabetes de la Universidad de la Escuela de Medicina, Aurora, CO, Estados Unidos Colorado
re Departamento de Química y Bioquímica, Universidad de Carolina del Norte en Greensboro, Greensboro, Carolina del Norte, Estados Unidos

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

palabras clave: marcadores de la sangre distintos de los autoanticuerpos de los islotes son muy necesarias para indicar el proceso de destrucción de las células beta pancreáticas
proteoma cambio temporal diabetes tan pronto como sea posible, y más re precisión Florida ect la progresión de la diabetes mellitus tipo 1 (DM1). Con este fin, un pro proteómico longitudinal fi ling de
tipo 1 TMT10 plasma humano utilizando el análisis de LC-MS / MS-10plex-basado TMT se realizó para seguimiento de los cambios proteómicos temporales de pacientes T1D ( n = 11)
a través de 9 puntos de tiempo de serie, que abarca el período de DT1 progresión natural, en comparación con los de los controles sanos coincidentes ( n = 10). Hasta
proteoma plasma Pediatric pro
donde sabemos, este estudio representa el más grande (> 2000) medidos proteínas pro expresión longitudinal fi les de proteoma del plasma humano en la
Longitudinal fi el estrés oxidativo ling
investigación T1D. Mediante la aplicación de análisis de tendencia estadística sobre los patrones de expresión temporal entre T1D y controles, y el procedimiento de
Benjamini-Hochberg para la corrección de pruebas múltiple, 13 grupos de proteínas se considera que tienen estadísticamente significativa fi no puede di ff erences
durante todo el período de seguimiento. Por otra parte, 16 grupos de proteínas, que desempeñan papeles fundamentales en respuesta al estrés oxidativo, tienen
tendencia expresión consistentemente anormal antes de la seroconversión para los islotes autoinmunidad. Es importante destacar que las tendencias de expresión
de dos claves de oxígeno reactivo especies de descomposición de enzimas, catalasa y superóxido dismutasa eran verificación fi ed independientemente por ELISA.

signi biológica fi cado: Los cambios temporales de las proteínas plasmáticas> 2000 (al menos cuanti fi ed en dos temas), que abarca todo el período de la DM1
progresión natural fueron proporcionados a la comunidad de investigación. proteínas relacionadas con el estrés oxidativo tienen consistentemente di ff Erent patrones
desreguladas en el grupo de diabetes tipo 1 que en edad y sexo controles pareados sanos, incluso antes de la aparición de autoanticuerpos - la primera señal de la
autoinmunidad de islotes y el estrés de las células beta pancreáticas.

1. Introducción progresión de la diabetes tipo 1 preclínico para la intervención terapéutica oportuna.

caracterización transversal de proteoma suero al diagnóstico de T1D ha sugerido asociaciones

T1D es un trastorno autoinmune crónica resultó de la destrucción progresiva y disfunción de
productoras de insulina β- células de los islotes pancreáticos, lo que resulta aún más en severa a la
insulina de fi ciencia, hiperglucemia y las complicaciones secundarias [1 - 3] . Clínicamente, la
seroconversión los islotes de autoanticuerpos de células, incluyendo autoanticuerpos contra la
insulina (IAA), ácido glutámico descarboxilasa 65 (GAD65A), proteína tirosina fosfatos IA2 (IA2a) y
zinc de cationes e ffl ux transportador 8 (ZnT8A), se utiliza para predecir el riesgo de desarrollar esta
enfermedad. En particular, la presencia de múltiples autoanticuerpos revela alto riesgo de T1D
[4 - 6] . Sin embargo, no todos los temas de autoanticuerpos positivos de los islotes progresan a diabetes tipo 1 y
se necesitan biomarcadores independientes para dilucidar la etiología de esta enfermedad [7] , monitor β- destrucción
de las células y con precisión etapa el
con las proteínas implicadas en en Florida inflamación y la respuesta inmune [8 - 10] . Sin embargo, se
recogieron muestras utilizadas en estos estudios en o poco después del diagnóstico clínico de T1D,
RE-
Florida eja las últimas etapas de β- destrucción de las células con la hiperglucemia. Por el contrario, las
cohortes prospectivos permiten Pro fi ling de suero / plasma proteoma como los niños desarrollan
autoanticuerpos de islotes y el progreso a T1D [11] . Hemos investigado si las tendencias temporales
de expresión de las proteínas del plasma son capaces de di ff erentiate pacientes T1D de controles
sanos en la etapa temprana de la enfermedad, múltiples muestras punto de tiempo recogidos antes de
T1D inicio son necesarias para rastrear con precisión los cambios temporales en proteoma. Con este
fin, plasma longitudinalmente recogido de los sujetos inscritos en el estudio Autoinmunidad Diabetes
en jóvenes (margarita)

• El primer autor en: Centro de Investigación Biomédica UNCG traslacional, Suite 500 Camino Nobel 4226, Kannapolis, Carolina del Norte 28081, Estados Unidos.

Dirección de correo electrónico: q_zhang2@uncg.edu (Q. Zhang).

http://dx.doi.org/10.1016/j.jprot.2017.10.004
Recibido el 11 de abril de 2017. Recibido en forma 2 revisada de octubre de 2017. Aceptadas 5 de octubre de 2017

1874-3919 / © 2017 Publicado por Elsevier

Por favor citar este artículo como: Liu, C.-W., Diario de Proteómica (2017), http://dx.doi.org/10.1016/j.jprot.2017.10.004
C.-W. Liu et al.
prospectivo de cohortes [12,13] se analizaron por la proteómica cuantitativa, se seleccionaron 9 puntos de
tiempo por sujeto, con los puntos de tiempo que abarcan desde el nacimiento hasta el desarrollo de la
autoinmunidad de islotes y T1D manifiesta. Tandem etiqueta de masa (TMT) Enfoque basado en la
cuantificación etiquetado isobárico
[14 - 17] se aplicó a la serie de muestras de punto 9 tiempo que se puede cuanti fi cados en paralelo, y el
aumento del tiempo de puntos en un estudio longitudinal ayudaron a mejorar la potencia estadística
necesaria para identificar los patrones de expresión / tendencias significantes fi variante cativamente entre
los progresores T1D y controles sanos. Hasta donde sabemos, este estudio presenta la más completa Pro fi ling
en los cambios temporales en la investigación del proteoma DM1, y reconocimiento de patrones se está
aplicando a di ff erentiate los cambios temporales de proteínas correlacionadas con progresión de la
enfermedad de los de los controles sanos emparejados por edad y sexo. Es importante destacar que las
tendencias de expresión temporal de las proteínas observadas por espectrometría de masas fueron
consistentemente verificación fi ed por la plataforma de ELISA basado en anticuerpos. Nuestros resultados
proporcionan una lista prometedor de marcadores de proteínas que temporalmente dysregulate antes de la
aparición de autoinmunidad de los islotes, y esas proteínas tienen un papel en la respuesta al estrés
oxidativo.
2. Sección Experimental
2.1. Población de estudio y diseño
Este es un estudio de casos y controles anidados. Los participantes fueron seleccionados de la
cohorte MARGARITA, y fueron identificados fi ed con T1D alelos susceptibles HLADR / DQ a través de
genotipado en el nacimiento y siguió de forma prospectiva. Los detalles de la detección [12] y
seguimiento [13] han sido publicadas con anterioridad. El consentimiento informado se obtuvo de los
padres de cada sujeto del estudio. El múltiple de Colorado Junta de Revisión Institucional aprobó todos
los protocolos de estudio.
autoanticuerpos Islet (a IAA, GADA, IA-2A, y ZnT8A) se midieron en el laboratorio del Dr.
George Eisenbarth en el Centro Barbara Davis en Denver a las 9, 15 y 24 meses y después cada
año [13] . Los niños positivos para cualquier autoanticuerpos fueron seguidos en 3 - intervalos de 6
meses para autoanticuerpos, la hemoglobina A1 DO, y aleatoria de glucosa en sangre hasta el
diagnóstico de la diabetes. Islote autoinmunidad (IA) es un pre-DM1 fenotipo de fi define aquí como la
presencia de uno o más de los autoanticuerpos en al menos dos visitas consecutivas 3 - 6 meses de
diferencia o de desarrollo de la diabetes tipo 1 en los 6 meses después de una prueba de
autoanticuerpos positivos. La diabetes fue diagnosticada utilizando los criterios de la American
Diabetes Association [18] . muestras de sangre no en ayunas venosa se recogieron en cada visita del
estudio y se separó el plasma y se almacenaron a - 80 ° C. Todos los valores de autoanticuerpos
positivos y 5% de los negativos eran estafa fi confirmado por duplicado nueva prueba ciega.
Se seleccionaron muestras de plasma de 11 archivados DM1 y 10 sujetos sanos que han
participado en DAISY para este estudio. Una serie de 9 muestras de plasma fueron seleccionados de
cada sujeto en el grupo de T1D para representar di ff fases Erent de progresión de la enfermedad, es
decir, de la negatividad autoanticuerpo frente a la seroconversión y el último diagnóstico T1D.
muestras individuales sanos fueron emparejados por edad, sexo y frecuencia de muestreo para el
grupo T1D excepto que tiene negatividad autoanticuerpo permanente durante todo el período de
seguimiento y designado como grupo NP en este estudio. muestras de plasma congeladas se
transfirieron a laboratorios de medición proteómica para procesamiento de la muestra y la medición.
En total, 99 y 90 muestras de plasma de los grupos T1D y de control, respectivamente, se utilizaron
en este proteómica basada en MS Pro fi estudio ling y fueron procesados ​de acuerdo con la estrategia
experimental ( Figura 1 ) [17] .
2.2. preparación de la muestra Proteómica
A menos que se especifique otra cosa fi ed, todos los reactivos y productos químicos utilizados en
este estudio fueron adquiridos de Sigma Aldrich (St. Louis, MO). El kit para ensayo de proteínas BCA se
obtuvo de ThermoFisher Scientific fi c (Rockford, IL). tripsina de calidad para secuenciación fue adquirido
de Promega (Madison WI). Todos los disolventes utilizados eran de grado HPLC.
Todas las muestras se prepararon en el mismo lote por el mismo investigador
2
Diario de la proteómica xxx (xxxx) xxx-xxx
para garantizar variaciones mínimas en la preparación de la muestra. Los experimentos detallados
para la preparación de muestras han sido publicados anteriormente [17] . queso Brie Florida y, 5 mg de
proteínas de plasma de cada muestra se agota para eliminar la parte superior 14 más abundantes
proteínas usando una columna MARS Human-14 (Agilent Technologies), y el Florida ow-a través de
fracciones (plasma empobrecido) se recogieron y concentraron. Las proteínas del plasma
empobrecido se desnaturalizaron, reducida, alquilada, y se digirieron tal como se describe
anteriormente [10] , Y la C 18 solución de péptido desalado SPE se secó completamente antes de
etiquetado isobárico. Las alícuotas de cada muestra individual de todos los sujetos sanos se
combinaron para crear la muestra de referencia común que se utiliza para el grupo de control sano,
para ser utilizado en la posterior etiquetado TMT como canal de referencia. Las muestras en serie 9
de cada sujeto y la muestra de referencia común se incluyeron en un experimento etiquetado TMT10
configurar como se muestra en Figura 1 . Esta estrategia de etiquetado evita los posibles problemas
de valores perdidos como resultado de adquisiciones datadependent MS / MS [19] porque todas las
muestras de la misma materia se incluyeron en el mismo experimento etiquetado. La misma
estrategia de mezcla y el etiquetado se aplicó a muestras de pacientes T1D (etiquetas de muestra en
las Tablas material suplementario S1 y S2). Después del marcaje, las 10 muestras marcadas en
cada experimento etiquetado TMT establecido se agruparon, se concentraron y se fraccionaron
utilizando RPLC de alto pH en una XBridge C 18 columna analítica (tamaño de partícula de 5 μ m, 250
x 4,6 mm, Waters). Las fases móviles A y B consistían de formiato de amonio 10 mM en agua (pH
10) y 90% CH 3 CN (pH 10), respectivamente. En total, se generaron 24 fracciones [16,20] , Se secó, se
almacena a - 80 ° C, y se reconstituyó en 0,1% FA hasta que el análisis LC-MS / MS.
2.3. El análisis cuantitativo LC-MS / MS
análisis LC-MS / MS se realizó utilizando un sistema 3000 RSLCnano UltiMate acoplado a un
espectrómetro de masas Q Exactive HF a través de una fuente de iones FÁCIL-Spray (ThermoFisher
Scientific fi do). Los péptidos se separaron en un PepMap C 18 columna analítica (2 μ m de partícula, 50
cm x 75 μ m id). Un sistema de disolvente binario que consiste en 0,1% FA en ddH 2 O (disolvente A) y
0,1% de FA en CH 3 CN (solvente B) se utiliza para separar los péptidos a una Florida velocidad de
flujo de 250 min nL - 1. separación LC se realizó utilizando la siguiente configuración gradiente:
celebrada en 4% de B durante 3 min, de 4% a 8% de B en 0,1 min, 8% a 40% de B en 90 min, 40% a
90% de B en
0,1% min, se mantiene a 90% de B durante 10 min, 90% a 4% de B en 0,1 min, y se mantuvo a 4% de B
durante 17 min para reequilibrar la columna.
los datos de MS fue adquirido en pro fi modo le usando un método de la parte superior 15 dependiente de los
datos y la resolución para escaneos completos ( m / z 400 - 1950) fue fijado a
120 000 a m / z 200 con la máxima fi tiempo ll de 50 ms. Precursores se aislaron con una ventana de
1,4 m / z [21] y fragmentada con la fragmentación HCD con energía de colisión normalizada de 32.
Resolución de espectro MS / MS se fijó a 60.000 a m / z 200 con la máxima fi ll tiempo de 100 ms.
objetivo AGC para análisis completo y MS / MS de barrido fue de 3E6 y 1E5, respectivamente. Se
excluyeron los iones precursores con estados de carga no asignados, individuales, siete, y superior,
y el tiempo de exclusión dinámica se fijó en 20 s.
2.4. Base de datos de búsqueda
Todo prima fi Les obtiene a partir de LC-MS / MS se analizaron utilizando el software MaxQuant
versión 1.5.3.30, y búsquedas en contra de la base de datos Swiss-Prot proteína humana (91.960
entradas de proteínas, 17/02/2016 liberación) usando el algoritmo de búsqueda integrada de
Andrómeda. Semispeci fi c Tripsina / P fue seleccionada como la enzima. carbamidomethylation cisteína
y TMT10plex etiquetados N-terminal y la lisina se establecieron como fi modi jos fi cationes. la oxidación
de metionina se establece como variable de modi fi cationes. FDR se fijó en 1% para las proteínas y
péptidos de nivel identi fi catiónico usando señuelo base de datos, y la intensidad precursor fracción se
ajustó a> 0,75 [22] . Otros parámetros se utilizaron como valores por defecto para los datos de tipo
Orbitrap. Los resultados de la búsqueda en proteinGroups.txt generados por MaxQuant se procesaron
en Perseo versión de software 1.5.1.6 [23] . identi fi proteína ed se representa como grupo de proteínas
en la salida de búsqueda de base de datos cuando la búsqueda
C.-W. Liu et al. Diario de la proteómica xxx (xxxx) xxx-xxx

Figura 1. Representación esquemática de los trabajos experimentales Florida Ay. Las muestras de plasma de 9 puntos de tiempo de serie de cada sujeto se longitudinalmente recogieron y immunodepleted mediante la eliminación de la parte superior 14 abundantes proteínas antes

de la digestión tríptica. Los péptidos de 9 puntos de tiempo de serie más una referencia común se marcaron mediante TMT-10plex, y la RPLC de alto pH se utilizó para fraccionar los agrupados mezclas de péptidos marcados con TMT antes del análisis nanoLC-MS / MS. Todas

prima fi les hicieron búsquedas en conjunto utilizando MaxQuant para la identificación de proteínas fi cación y cuanti fi catión. la cuanti fi matriz de datos catiónico se utiliza, además, para el análisis de tendencia estadística y visualización por Trelliscope. Por último, los experimentos de

ELISA se realizaron para la tendencia verificación fi cationes. esta modificación fi trabajo ed Florida ow fue adoptado de Liu et al. [17] con permiso.

identi algoritmo fi it un grupo de proteínas con similitud o de proteínas isoformas de la secuencia de alta, y yo = +β 0 β 1x yo + β 2x2 yo
+ τ 1, yo + τ 2,x yo yo + τ 3,x yo
2 2 yo

que no puede estar más lejos di ff erentiated sobre la base de péptidos compartidos. Los contaminantes τ1,Nyo~
σ (0,
τ N σ τ Ndo)σ, ~ 2,(0,
yo s ) , ~ 3,(0,
yo q) (1)
potenciales (seleccionados manualmente para los contaminantes que no hay nombres de las proteínas),
revertir los accesos y las proteínas solamente identi fi ed por modi fi El sitio de cationes fueron excluidos de
y yo = +β 0 β 1x yo + τ 1, yo + τ 2,x yo yo

la identi fi Lista de cationes. Además, una fi ltrado criterio se estableció para mantener la identi fi proteínas
τ1,Nyo~
σ (0,
στN do) , ~ 2,(0,
yo s ) (2)
Ed con la cuanti fi valores de DE de los diez iones informadores (sin valor que falta) en al menos un
individuo. Los datos de expresión longitudinales de este con fi lista proteína dent se utilizó para el análisis Probabilidad ratio de pruebas se llevaron a cabo para poner a prueba para signi fi Se registraron
de tendencia estadística. Los datos de la proteómica MS se han depositado en el Consorcio tendencias cuadráticas y lineales Cant y los valores de p. Un α = 0,05 nivel de signi fi cance se utilizó
ProteomeXchange a través de la PRIDE [24] repositorio de asociarse con el conjunto de datos identifi- para determinar si un modelo lineal o cuadrática era signi fi no puede, y si ambos eran signi fi bisela el
modelo inferior (lineal) se utilizó. El di ff rencia en las tendencias entre los grupos de control y T1D
para cada proteína se evaluó estadísticamente por también fi tting un mezclado e ff ECTS lineal o
fi er PXD007884. modelo cuadrático que incluía una fi jo correo ff ect para la edad, grupo y la interacción entre la edad y
grupo y un aleatoria e ff ect para sujetos (Eq.

2.5. El análisis estadístico tendencia

(3) ). Este modelo era o bien lineal o cuadrática basado en los resultados de la prueba de razón de
verosimilitud (Ecs. (1) y (2) ).
Una evaluación del Índice de Masa Corporal (IMC) se realizó inicialmente para determinar si los
cambios en el tiempo en el IMC fueron di ff Erent para los dos grupos. Esto se realizó por fi tting un y yo = +β 0 β 1x yo + β 2g yo
+ β 3xg ii + τ 1, yo + τ 2,x yo yo

mezclado e ff ECTS modelo con el IMC como la variable dependiente que incluía una fi jo correo ff ect τ1,Nyo~
σ (0,
στN do) , ~ 2,(0,
yo s ) (3)
para dar cuenta de di ff Erent intercepta medias, pendientes y términos cuadráticos (en su caso) para
dónde gramo yo es una variable indicadora que toma un valor de 0 si el sujeto es de entre el grupo de
la edad y los dos grupos.
control y un 1 en caso contrario. Todos los modelos eran fi t en R (versión 3.3.0) utilizando el paquete
de lme4 [26] . La significación estadística fi cance de los modelos lineales y cuadráticas, según el caso,
cuanti fi de datos de proteínas ed basado en la intensidad de iones reportero se normalizó a la
se capturaron como pvalues ​y valores de q, donde q-valores se basan en una corrección estándar
muestra de referencia, log 2 transformada, y la mediana de centrado [25] , Es decir, llevar los valores
Benjamini-Hochberg utilizando la función p.adjust en R.
de la mediana de intensidad de cada muestra al mismo nivel para corregir las pequeñas variaciones
en la cantidad de muestra utilizada para cada canal de etiquetado. Para completar el análisis de la
tendencia estadística y garantizar resultados válidos, los datos era más fi filtró para incluir sólo grupos
de proteínas que tenían al menos 2 sujetos de uno de los dos grupos (sujetos sanos y pacientes 2.6. Veri fi cación de los patrones de expresión utilizando ELISA

T1D) con al menos 7 puntos de tiempo sin valores que faltan.

kits de ELISA para superóxido dismutasa [Cu-Zn] (SOD1, # ab202410, Coe intra-ensayo FFI ciente
de variación (CV) 4,2%) y catalasa (CAT,
Dos e mixtos ff ect modelos lineales eran fi t para los datos de abundancia de registro # ab171572, intra-ensayo de CV 3,0%) fueron adquiridos de Abcam (Cambridge, MA). Las muestras
normalizados para determinar si la tendencia es lineal o cuadrática: un modelo cuadrático con de plasma de cada punto de los sujetos seleccionados tiempo se diluyeron con factores de dilución
cuadrática azar, lineal, y los términos de intercepción (Eq. (1) ), Y un modelo lineal con términos de 1: 2 y 1: 200 para SOD1 y CAT, respectivamente, y midieron de acuerdo con el protocolo del
lineales azar y de intercepción (Eq. (2) ). La edad se utiliza como fi jo correo ff ect en estos modelos fabricante. pozos duplicados se utilizaron para promediar los valores de absorbancia (excepto para la
para examinar las tendencias en la abundancia con el tiempo, mientras que el control de la edad di ff rencia medición de SOD1 debido a las muestras limitado) y la concentración de proteínas diana en el
entre los sujetos y aleatorio e ff ECTS de cada asignatura se incluyeron para dar cuenta de la plasma se calcularon sobre la base de la curva de calibración (R 2 = 0.9603 (logística de 4 parámetros fi
variabilidad sujeto y la naturaleza no independiente de los datos en el tiempo. t) y

0.9996 (lineal fi t) para SOD1 y CAT, respectivamente.) y Factor de dilución

3
C.-W. Liu et al.
después de la sustracción del fondo.
3. resultados
Para explorar los cambios temporales de las expresiones de proteínas durante la historia natural
de T1D, muestras de plasma de forma prospectiva recogidos de 21 individuos, incluyendo sujetos
sanos ( n = 10, sin T1D, pacientes autoanticuerpos negativo) y T1D persistentes ( n = 11) fueron
seleccionados y exhaustivamente analizados en este estudio proteómica cuantitativa. Para los
sujetos sanos, se seleccionaron los 9 puntos de tiempo en las edades de muestreo casi idénticos;
para los pacientes T1D, se seleccionaron muestras de tener el punto de seroconversión a múltiples
autoanticuerpos de islotes tiempo en el medio de la serie de tiempo, con el objetivo para el mismo
número de muestras antes y después de la seroconversión, incluyendo tanto el punto de tiempo más
temprano posible y el punto de tiempo de diagnóstico T1D clínica ( Figura 2 ). Los detalles de los
metadatos clínica para cada muestra y cada sujeto se enumeran en las Tablas suplementarias de
material S1 y S2.
3.1. No se encontró asociación entre el IMC y la progresión de la diabetes tipo 1 en sujetos de cohortes DAISY analizados
en este estudio
“ hipótesis del acelerador ” propuso que un IMC mayor se asocia con una menor edad en el
diagnóstico de T1D, y esta hipótesis se evaluó en pequeños (<200 pacientes) [27,28] y grandes
(9248 pacientes) [29]
cohortes matriculados en el Reino Unido, Alemania y Austria. Otro estudio de cohorte grande con 3203
pacientes en un área mediterránea indicó que no di ff erences entre T1D pacientes y controles sanos en
términos de índice de masa corporal al momento del diagnóstico y la edad al momento del diagnóstico [30] . Por
lo tanto, el índice de masa corporal e ff ect en el diagnóstico de diabetes tipo 1 no es concluyente, dependiendo
de los ambientes / áreas y las cohortes que estudian. El e ff ECTS de IMC también se ha evaluado en el
4
Diario de la proteómica xxx (xxxx) xxx-xxx
Figura 2. Los puntos de tiempo de muestreo en sujetos sanos (NP,
n = 10) y los pacientes T1D (TD, n = 11). los fi LLED círculos / cuadrados / triángulos
indican los puntos de tiempo de muestreo. Grande
fi cuadrados y triángulos LLED indican el tiempo de seroconversión y el diagnóstico
clínico DM1, respectivamente.
MARGARITA cohorte en el pasado, y que no observó una fuerte asociación entre el IMC y la edad al
momento del diagnóstico DM1 [31 - 33] , A pesar de una mayor velocidad de crecimiento en altura
puede estar implicada en la progresión de la susceptibilidad genética a la autoinmunidad y luego a
T1D en niños prepuberales
[32] . Por ello, realizó una prueba estadística para investigar si hay un índice de masa corporal e ff ect para
los sujetos seleccionados en este estudio, es decir, los pacientes T1D ( n = 11) y controles sanos ( n = 10)
analizados en el estudio de la proteómica actual. A mixta-e ff ECTS modelo lineal era fi t para los datos de
IMC de todos los individuos, y los valores de p de 0,8857 y 0,5135 se obtuvieron en modelos cuadráticos y
lineales, respectivamente, indicando que no hay di ff rencia entre los grupos en términos de índice de masa
corporal tendencia de la evolución.
3.2. identi integral fi cación y cuanti fi cación de las proteínas plasmáticas
En total, 2235 grupos de proteínas se identificaron fi ed y relativamente cuanti fi ed en el 1% FDR en
el proteoma plasma usando MaxQuant después estrictamente
fi ltrado la matriz de datos como se describe en la sección de método (Tabla Material complementario
S3). Entre los grupos de proteínas, 2.037 se identificaron fi ed por al menos dos “ la maquinilla de
afeitar + único ” péptidos y un péptido único, y péptidos de afeitar son péptidos no únicos asignados al
grupo de proteínas con las más otros péptidos. Entre ellos, 871 grupos de proteínas eran
comúnmente identi fi ed en todas las 210 muestras, mientras que el 91 y 98 grupos de proteínas se
identificaron exclusivamente fi ed en sujetos sanos y pacientes con DM1, respectivamente ( Fig. 3 UN).
Además, todas las 108 proteínas mencionadas en el reciente estudio de suero longitudinal por
Moulder et al. [11] fueron cuanti fi ed en este estudio. Las proteínas informó que pertenecen a las altas
proteínas abundantes identi fi ed en este estudio (material suplementario. Fig S1), y uno fi quinto de
esas proteínas son factores de complemento, componentes o subunidades que existen
abundantemente en el plasma humano [34] . Además, comparamos nuestra
C.-W. Liu et al. Diario de la proteómica xxx (xxxx) xxx-xxx

et al. y con Schrimpe-Rutledge et al., respectivamente. A continuación, Uhlen et al. recientemente

establecido un mapa completo a base de tejido del proteoma humano e informó de 37 genes de
páncreas y enriquecidos (al menos fi cinco veces más altos niveles de mRNA en el páncreas en
comparación con todos los otros tejidos) [36] . Entre los 37 genes de páncreas enriquecida, que identi fi ed
10 (incluyendo PRSS1, CTRB2, SPINK1, CPA1, CPA2, CPB1, PNLIP, sycn, CELA3A y AMY2A)
proteínas, directamente a partir de nuestros datos globales proteómica plasma a pesar de la alta
complejidad del proteoma del plasma.

3.3. los patrones de expresión temporal de las proteínas plasmáticas variante entre T1D y controles
sanos

Recientemente, utilizando los mismos funcionan proteómica Florida ow hemos demostrado la pro
temporal fi Les proteoma del plasma durante el desarrollo de la infancia
[17] , Y los patrones temporales de proteínas de plasma obtenidas por la proteómica cuantitativos
basados ​TMT10plex fueron validados independientemente por ELISA, lo que indica la consistencia
entre los datos de MS y ELISA, tanto en los patrones de expresión y la abundancia relativa de las
proteínas. En ese estudio, se informó de 970 proteínas plasmáticas tener los dependientes de la
edad tendencias de expresión [17] , Lo que demuestra la importancia de la pro longitudinal fi Ling
estudio para identificar los biomarcadores potenciales especí fi c para enfermedades infantiles. Por lo
tanto, en el presente estudio se implementó el mismo diseño experimental para revelar las proteínas
plasmáticas con di ff Erent temporales patrones de expresión entre DM1 y controles sanos.

modelado estadístico se aplicó a fi t los cambios temporales de cada proteína dentro del mismo
sujeto, y se obtuvieron los valores de p estadísticos para evaluar el aire fi dencia de fi t a un modelo
lineal o cuadrática. Las comparaciones estadísticas también se hicieron entre los niños que
desarrollaron diabetes tipo 1 y sujetos sanos que mantienen persistente negatividad de
autoanticuerpos, y se obtuvieron los valores de p para determinar si existen signi fi no puede di ff erences
entre dos tendencias de grupo sobre la base de cada modelo (Tabla Material complementario S3).
Todos los patrones de expresión / tendencias se han subido en línea y pueden ser visualizados
utilizando Trelliscope ( https://ascm.shinyapps.io/Zhang_2Group_Trend_Analysis/ ), Que permite una
rápida exploración de las tendencias de expresión para cada proteína entre dos grupos [37] . Una
breve introducción a acceder a este recurso en línea fue proporcionado en el material

Fig. 3. ( UN) Resumen y diagrama de Venn de proteínas plasmáticas identi fi cados en sujetos sanos (NP) y los pacientes T1D (DM1).
complementario.

( SEGUNDO) comparación de solapamiento entre las proteínas identi fi ed en este estudio, en células de los islotes humanas

cultivadas por Schrimpe-Rutledge et al. [35] Y, en tejidos pancreáticos humanos por Liu et al. [dieciséis] . diagrama de Venn se

calculó basándose en el nombre del gen reportado. tabla 1 se resume el número de grupos de proteínas en cada categoría tendencia entre sujetos
sanos y pacientes con DM1, y la mayoría de los grupos de proteínas tienen la tendencia temporal de
la expresión Florida a, es decir, ageindependent expresiones. En comparación con el número de
proteoma datos plasma con dos análisis proteómicos a gran escala de células de los islotes humanas grupos de proteínas con misma tendencia entre los grupos, muchos de los grupos de proteínas en el
cultivadas por Schrimpe-Rutledge et al. [35] y de los tejidos pancreáticos humanos por Liu et al. [dieciséis] grupo de diabetes tipo 1 tienen claramente di ff tendencias de expresión Erent de sujetos sanos. por lo
. diagrama de Venn muestra que hay 1095 proteínas en común entre los tres conjuntos de datos ( Fig. tanto, se realizó el análisis de tendencias estadístico para identificar grupos de proteínas con signi fi patrones
3 SEGUNDO), y 1335 y 1286 eran proteínas coincidencia entre los datos actuales con Liu de peralte de expresión (p <0,05) entre los grupos de control y T1D. En total, 67 grupos de proteínas
tienen p-

tabla 1
patrones de expresión temporal categorizados en este estudio (identi fi ed en al menos fi cinco individuos en un grupo).

Categoría tendencia subcategoría tendencia tendencia gráfica Número de grupos de proteínas en Número de grupos de proteínas en el grupo Número de grupos de proteínas con misma tendencia entre los

grupo NP T1D grupos

Incrementar 236 197 96

aumento curvada Curvo-aumento-entonces- 15 3 1

Florida a

-Entonces-curvedincrease 76 6 3
plana

Aumentar-then-disminución 155 85 15

Disminución 257 229 129

disminución curvada Curvo-descenso-entonces- 67 27 27

Florida a

-Entonces-curveddecrease 7 3 1
plana

Disminuir-entonces-aumento 158 182 72

Plano 613 895 413

5
 C.-W. Liu et al.

Tabla 2
grupos de proteínas con estadísticamente significativa fi peralte (valor de p <0,05 en modelos lineales o cuadráticas, y Benjamini-Hochberg FDR <0,1) tendencia cambia entre T1D y sujetos sanos (identi fi la disfunción eréctil en los 210 muestras de plasma).

Racimo nombres de las proteínas Uniprot IDs los nombres de genes único la cobertura de Tendencia en subcategoría Tendencia en subcategoría High_Degree_Sig_Model Sig_Quad_Di ff_ pval Adj_Sig_Quad_Di ff_ pval funcional
péptidos secuencia [%] NP tendencia en NP la DM1 tendencia en la DM1 anotaciones

UN O15031 Plexin-B2 PLXNB2 35 24.8 Plano Decreasethenincrease Cuadrático 0.00296 0.08100 la señalización célula-célula,

di ff erentiation, guía de

axones

P15090 proteína de unión a ácido graso, los FABP4 6 40.9 Plano Decreasethenincrease Cuadrático 0.00421 0.09530 el transporte de lípidos

adipocitos

P10768 hidrolasa ESD 11 46.5 Incrementar Increasethendecrease Cuadrático 0.00187 0.06780 Detoxi fi catión
S-formylglutathione

P16152 Carbonilo reductasa CBR1 12 45.8 Incrementar Increasethendecrease Cuadrático 0,00013 0.04188 ácido y glutatión
[NADPH] 1 metabolismos
araquidónico
P20618 tipo-1 proteasoma subunidad beta PSMB1 13 54.4 Incrementar Increasethendecrease Cuadrático 0.00165 0.06780 proteasoma

Q03154 Aminoacilasa-1 ACY1 15 46.3 Disminución Decreasethenincrease Cuadrático 0.00412 0.09530 metabolismo
Aminoácidos

P23471 Receptor de tipo tyrosineprotein PTPRZ1 21 9.2 Disminución Decreasethenincrease Cuadrático 0.00117 0.06780 desfosforilación

6
zeta fosfatasa

segundo P30086 proteína PEBP1 8 44.4 aumento Incrementar

Flat-thencurvedincrease Cuadrático 0.00245 0.07317 Los fosfolípidos
Phosphatidylethanolaminebinding 1 curvada proteína de unión,
inhibidor de serina
proteasa
P48506 Glutamato - ligasa cisteína GCLC 20 35.8 aumento Incrementar
Flat-thencurvedincrease Cuadrático 0.00233 0.07284 la biosíntesis de
subunidad catalítica curvada glutatión

Q14574 Desmocolina-3 DSC3 6 6.7 Decreasethenincrease Disminución Cuadrático 0.00153 0.06780 adhesión célula-célula

P17174 Aspartato aminotransferasa, GOT1 23 63.9 Decreasethenincrease Disminución Cuadrático 0.00191 0.06780 biosíntesis de
citoplásmica glutamato

Q6UWP8 Suprabasin SBSN 6 37.3 Decreasethenincrease Plano Cuadrático 0.00198 0.06780 Desconocido

Q13093 Activador de plaquetas PLA2G7 26 49 aumento Curvedincreasethen- aumento Cuadrático

Flat-thencurvedincrease 0.00124 0.06780 Modula la acción del
acetilhidrolasa del factor curvada Florida a curvada factor plateletactivating

High_Degree_Sig_Model: El más alto grado signi fi modelo no puede por lo menos uno de los grupos, este es el modelo fi t para detectar si existen di ff erences entre los grupos.

Sig_Quad_Di ff_ pval: valor de p para la prueba de la significación fi no puede di ff rencia en la tendencia cuadrática entre dos grupos.

Adj_Sig_Quad_Di ff_ pval: ajustado p-valor en el modo cuadrática obtenida de Benjamini-Hochberg correcciones múltiples ensayos. anotaciones funcionales: las
anotaciones funcionales se obtuvieron de la base de datos UniProt ( http://www.uniprot.org/ ).
Diario de la proteómica xxx (xxxx) xxx-xxx
C.-W. Liu et al.
valores <0,05 en ambos modelos lineales y cuadráticas, mientras que el 61 y 39 grupos de proteínas
tienen signi estadística fi cance en los modos lineales y cuadráticas, respectivamente. A continuación,
se aplicó procedimiento Benjamini-Hochberg para calcular FDRs basados ​en las distribuciones
p-valor en modelos lineales y cuadráticos, por separado (complementario material de la Tabla S3) [38] .
Debido a que este es un estudio con el objetivo de descubrir la proteómica fi nd cambios temporales
interesantes entre la T1D y controles sanos para una validación adicional, que establecen un FDR de
10% (q <0,1) para esta corrección de múltiples ensayos. Los 13 grupos de proteínas identi fi ed en los
210 muestras de plasma sin ningún valor satis que falta fi ed este criterio FDR, y esos grupos de
proteínas eran con fi dientemente identi fi ed por al menos 6 péptidos únicos ( Tabla 2 ).
Esos grupos de proteínas se clasifican además en 2 grupos basados ​en el di ff rencia de las
tendencias de expresión después de (A cluster) y antes de (cluster B) 7 años de edad (la edad
promedio seroconversión a persistente autoinmunidad de los islotes en los 11 pacientes T1D es 6,6).
Los grupos de proteínas en un clúster tienen tendencias de expresión inversa entre T1D y controles
sanos después de la seroconversión; en contraste, los grupos de proteínas en el grupo B tienen di ff patrones
Erent antes de la seroconversión. Oresic et al. mostró que pro longitudinal fi les de los metabolitos en
plasma y los lípidos cambian antes de la seroconversión para los islotes autoinmunidad pero
parcialmente normalizar después [39] . Curiosamente, FABP4 (Fatty ácido-proteína de unión, de los
adipocitos, p = 0,00421; q = 0,0953), una proteína de transporte de lípidos, tiene el patrón de
expresión de
“ Florida a ” en el grupo de control versus “ disminuir-then-aumento ” en pacientes T1D (ver Trelliscope
para trama correspondiente). El pro temporal fi le cambia de esta proteína, en parte, corresponden a la
pro lípidos fi Le cambios observados por Oresic et al. [39] . PLA2G7 tiene patrones únicos de “ Curvedincrease-entonces-
cuanti fi catión se utilizaron, respectivamente, a pro fi le los cambios proteómicos de 13 y 6 pares de
Florida a ” versus “ Flat-then-curvado-aumento ” en grupos sanos y T1D, respectivamente (véase
Trelliscope para trama correspondiente). Los papeles de PLA2G7 ha sido ampliamente estudiado en
el desarrollo cardiovascular y enfermedades debido a las regulaciones positivas o negativas en el
estrés oxidativo y en Florida procesos amación [40] . Debido a la importancia de PLA2G7 en en Florida inflamación,
el número de 2037 grupos de proteínas se identificó fi ed por al menos dos de afeitar
la asociación de la actividad enzimática de PLA2G7 en el suero / plasma ha sido evaluada en
pacientes adultos con DM1, y las asociaciones positivas entre la actividad PLA2G7 T1D y han sido
reportados por Gomes et al. [41,42] . expresiones PLA2G7 en este último período de seguimiento en
nuestro estudio puede parcialmente con fi rm la fi hallazgos reportados de pacientes T1D adultos en
Gomes et al., y ambos estudios indican la posible función de PLA2G7 en T1D, especialmente en el
estrés oxidativo y en Florida inflamación.
3.4. patrones de expresión únicos y consistentes de grupos de proteínas con funciones en respuesta al
estrés oxidativo
Glutamato - cisteína ligasa subunidad catalítica (GCLC), uno de los grupos de proteínas (con p
<0,05 y q <0,1) que figuran en Tabla 2 , Es una enzima limitante en la síntesis de glutatión, y el
glutatión es un antioxidante bien conocido que protege a las células del estrés oxidativo [43] . La
tendencia de la
“ Flat-then-curvado-aumento ” en sujetos sanos tenido obvia di ff rencia del grupo DM1 antes de la
seroconversión, que tenía la tendencia continua de “ incrementar ” y “ espiga ” los patrones de
expresión de di ff etapas Erent de progresión T1D (ver Trelliscope para trama correspondiente). signi fi cativamente,
2, Moulder et al. informó la tendencia disminución en el grupo de diabetes tipo 1, y se observó la misma
los patrones de expresión similares se encuentran también en la catalasa (CAT, p = 0,03663; q =
0,26739), y los patrones de expresión pico se observaron claramente en torno al evento
seroconversión ( Fig. 4 UN y SEGUNDO). La verificación de datos ELISA correspondiente fi ed las
tendencias de expresión de CAT son tan consistentes como se observa en los datos de MS ( Fig. 4 DO).
CAT implica en la descomposición de peróxido de hidrógeno para proteger células / tejidos de estrés
oxidativo [44] Y Lei et al. demostró que la sobreexpresión de CAT agrava la aparición de T1D en
ratones NOD [45] . Debido a las tendencias consistentes de expresión en GCLC y CAT y su papel en
el estrés oxidativo, hemos comprobado manualmente los grupos de proteínas con tendencias
similares a GCLC / CAT, y que se resumen en Tabla 3 . Esos grupos de proteínas se identificaron fi ed
en los 210 muestras de plasma sin ningún valores cuantitativos que faltan y con fi dientemente identi fi ed
por al menos 8 péptidos únicos. Esos 16 grupos de proteínas se ha informado de sus posibles
funciones en
7
Diario de la proteómica xxx (xxxx) xxx-xxx
estrés oxidativo (ver las referencias citadas en Tabla 3 ), Por ejemplo, peroxiredoxina-1 y -2 (Prdx1 y
PRDX2), así como la superóxido dismutasa [Cu-Zn] (SOD1, p = 0,09901; q = 0,35545) son proteínas
conocidas implican en el estrés antioxidante y oxidativa. Fig. 4 re - F muestra los patrones de expresión
de SOD1 observadas por MS y resultados consistentes verificación fi ed por ELISA. Tomados en
conjunto, los patrones de expresión consistentes de las proteínas implicadas en el estrés oxidativo y,
sus expresiones más altas antes de la seroconversión en el grupo de diabetes tipo 1 indican claramente
existe estrés oxidativo en las primeras etapas de la progresión de la diabetes tipo 1, antes de la primera
señal de la autoinmunidad de los islotes. El panel de esos marcadores de proteínas de plasma identi fi ed
en este orden de estudio de investigación más a fondo por sus posibles funciones en la regulación de la
autoinmunidad de los islotes y la aparición T1D.
4. Discusión
4.1. Comparación con estudios proteómicos longitudinales anteriores de muestras de sangre humana
En el fi rst estudio prospectivo longitudinal del proteoma en preT1D, Moulder et al. [11] estudió
muestras de suero recogidas en serie desde el nacimiento hasta el diagnóstico diabetes tipo 1 en
niños con alto riesgo genético que participan en la cohorte DIPP finlandesa. En total, 658 proteínas
se identificaron fi ed al 5% FDR y 220 proteínas se cuanti fi ed en todos los pacientes / controles.
Quince proteínas mostraron di ff expresiones Erent entre casos y controles, y 5 de ellos demostraron
di ff erences antes de la seroconversión y también a lo largo de todo el período de seguimiento de
diagnóstico de la DM1. En comparación con ese estudio, en el que iTRAQ-8plex y etiqueta libre
control de T1D con una media de 7 puntos de tiempo, que tenía 4 veces de más proteínas identi fi ed y
cuanti fi ed que en su estudio. Hasta donde sabemos, este estudio representa el mayor pro expresión
longitudinal fi Les proteoma del plasma humano en la investigación DT1 hasta la fecha. Por otra parte,
+ péptidos únicos y un péptido único es también más alto que los resultados de cualquier estudio
independiente resumen en una revisión reciente de proteoma del plasma [46] . Moulder y col. [11] comparación
de sus datos con los potenciales marcadores séricos T1D de Zhi et al. [9] y Zhang et al. [10] , E
informó de los patrones de expresión de 9 de cada 32 proteínas (cuadro complementario de material
S4); es de señalar que se observaron las tendencias de expresión de los 32 proteínas en el presente
estudio. Similar a la observación de Moulder y col., Aumento asociado a la edad de Beta-Ala-His
dipeptidasa también fue observado por nosotros, tanto en la diabetes tipo 1 y los grupos de control.
Para algunas proteínas (apolipoproteína A-IV y NORTE- acetylmuramoyl- L- amidasa alanina) con las
tendencias de disminución de la DM1 grupo reportado por Moulder y col., se observa la tendencia de
disminución y Florida en los grupos de control y T1D sanos, respectivamente, pero sin significación
estadística fi cance entre los grupos. Para Complemento C4-B, Moulder et al. observado la tendencia
de aumento de control sano, y en nuestros datos hemos detectado la Florida en tendencia en ambos
grupos. Además, para la proteína del factor de crecimiento de unión similar a la insulina
tendencia de disminución en el grupo de diabetes tipo 1 y la tendencia de la curva-descenso-entonces- Florida
en el control saludable con significación estadística fi cance en modelo cuadrático (p = 0,019). La ventaja y la
importancia de 9 puntos de tiempo por individuo analizado en este estudio es que puede proporcionar una
mayor potencia estadística en la identificación de proteínas con di ff Erent temporales tendencias de
expresión.
4.2. análisis de tendencia estadístico de un estudio longitudinal
Mientras que un estudio longitudinal podría adoptar un diseño de estudio de casos y controles
emparejados donde se compara la relación entre la caja y el control longitudinalmente para
establecer el cambio pro temporal fi les, esto requiere muy estricto emparejamiento entre casos y
controles y muestra de gran tamaño debido a la variabilidad individual inter puede ser mayor que las
pequeñas variaciones en la etapa inicial del proceso patológico [47] . Por esta razón,
C.-W. Liu et al. Diario de la proteómica xxx (xxxx) xxx-xxx

Fig. 4. Los patrones de expresión temporal de CAT proteína ( UN - DO) y SOD1 ( re - F) observado por análisis de LC-MS / MS de sujetos sanos (NP, UN y RE) y T1D pacientes (DT1, segundo y MI) así como sus correspondientes verificación fi cación por ELISA
( do y F). Los puntos y triángulos indican los puntos de tiempo de muestreo de hembra y macho, respectivamente, y las líneas con di ff Erent colores indican que para cada sujeto. X e Y eje son la edad real y la proteína de abundancia relativa (Log 2 escala),
respectivamente. CAT: La catalasa; SOD1: superóxido dismutasa [Cu-Zn]. Los valores de correlación de Pearson entre los datos de CL-EM ELISA y (CAT: 0,92 para NP, 0,98 para T1D; SOD1: 0,87 para NP, 0,89 para T1D).

aplicado un di ff estrategia Erent que las abundancias de proteínas se compararon principalmente
longitudinalmente dentro de la misma materia, es decir, cada sujeto sirve como la propia referencia para
establecer la tendencia / patrón temporal usando cuanti-TMT 10plex basado etiquetado fi estrategia de
cationes, que permite cuantificar simultáneamente relativamente las muestras de 9 puntos de tiempo,
mientras que un canal de etiquetado TMT está siendo utilizado como referencia común para la
comparación entre sujetos [17,48] . Por otra parte, una cohorte de control bien diseñado proporciona una
línea de base de referencia para cada proteína para distinguir los cambios de expresión temporal en
T1D sobre la base de patología de la enfermedad en lugar de las variaciones dependientes de la edad
de la fisiología humana
[17] .
4.3. El estrés oxidativo en la diabetes tipo 1
El estrés oxidativo está bien caracterizado en el desarrollo de complicaciones de la diabetes [49]
y la disfunción de las células beta [50] , Debido a la baja expresión y la actividad de las enzimas
antioxidantes en las células beta. El estrés oxidativo se induce principalmente por oxígeno y
nitrógeno especies reactivas (ROS y RNS); en general, ROS se genera en las cadenas respiratorias
mitocondriales, y la superóxido generado se convierte en H menos activos 2 O 2
y H neutral 2 O a través de las acciones secuenciales de SOD1 y CAT y glutatión peroxidasas. Es de
notar que una cierta cantidad de ROS / RNS es necesario para la función normal de las células beta,
tales como la estimulación de la insulina

8
 C.-W. Liu et al.

Tabla 3
proteínas relacionadas con el estrés oxidativo con grupos di ff tendencias de expresión Erent entre diabetes tipo 1 y sujetos sanos (identi fi la disfunción eréctil en los 210 muestras de plasma) antes de la seroconversión para los islotes autoinmunidad.

nombres de las proteínas uniprot IDs los nombres de genes único la cobertura de subcategoría tendencia en Tendencia en Sig_Quad_Di ff_ pval Adj_Sig_Quad_Di ff_ Funcional anotaciones PVAL informes relacionados con el

péptidos secuencia [%] NP la DM1 estrés oxidativo

P48506 Glutamato - ligasa cisteína subunidad catalítica GCLC 20 35.8 -Entonces-curvedincrease Incrementar 0.00233 0.07284 la biosíntesis de glutatión Lu et al. [43]
plana

P30086 Fosfatidiletanolamina-proteína de unión 1 PEBP1 8 44.4 -Entonces-curvedincrease Incrementar 0.00245 0.07317 Los fosfolípidos proteína de unión, inhibidor Albano et al. [52]
plana de serina proteasa
P13798 Acilamino liberación de ácido de enzima APEH 14 28 -Entonces-curvedincrease Incrementar 0.00489 0.10049 NORTE- la generación de ácido amino Yoshioka et al. [53]
plana acetilado

P07738 mutasa bifosfoglicerato BPGM 12 48.6 -Entonces-curvedincrease Incrementar 0.00907 0.13816 Glucólisis / gluconeogénesis Kaminsky et al. [54]
plana

P00568 La adenilato quinasa isoenzima 1 AK1 14 65.2 -Entonces-curvedincrease Incrementar 0.01117 0.14973 Celular homeostasis de energía, metabolismo Kang et al. [55]
plana de los nucleótidos adenina

P04040 catalasa GATO 31 45.7 -Entonces-curvedincrease Incrementar 0.03663 0.26739 Antioxidación, promover el crecimiento de células Chelikani et al. [44]
plana inmunes

Q06830 Peroxirredoxina-1 Prdx1 13 53.3 -Entonces-curvedincrease Incrementar 0.05863 0.32233 antioxidación O'Leary et al. [56]
plana

P13716 deshidratasa ácido UN CHICO 20 53.3 -Entonces-curvedincrease Incrementar 0.05938 0.32233 biosíntesis tetrapirroles Goncalves et al. [57]

9
delta-aminolevulínico plana

Q86VP6 proteína NEDD8 disociada asociado-Cullin 1 CAND1 27 27.2 -Entonces-curvedincrease Incrementar 0.06737 0.33062 ubiquitinación de proteínas Villeneuve et al.
plana [58]
P30043 Flavin reductasa (NADPH) BLVRB 8 55.8 -Entonces-curvedincrease Incrementar 0.07990 0.33062 ribo Florida metabolismo Avin Hertzberger et al.
plana [59]
P00918 La anhidrasa carbónica 2 CA2 18 65.4 -Entonces-curvedincrease Incrementar 0.09656 0.34858 la hidratación reversible del dióxido de carbono Iuchi et al. [60]
plana

P00441 La superóxido dismutasa [Cu-Zn] SOD1 9 46.1 -Entonces-curvedincrease Incrementar 0.09901 0.35545 Detoxi fi cación de especies reactivas de oxígeno Stralin et al. [61]
plana

P00352 deshidrogenasa Retinal 1 ALDH1A1 dieciséis 36.7 -Entonces-curvedincrease Incrementar 0.13675 0.42187 metabolismo del retinol Salzano et al. [62]
plana

P32119 Peroxirredoxina-2 PRDX2 17 63.6 -Entonces-curvedincrease Incrementar 0.15075 0.43759 antioxidación Rinalducci et al.
plana [63]
Q13228 El selenio-proteína de unión 1 SELENBP1 24 62.3 -Entonces-curvedincrease Incrementar 0.15119 0.43759 Percibiendo de xenobióticos reactivos en el Fang y col. [64]
plana citoplasma
P00915 La anhidrasa carbónica 1 CA1 26 72.8 -Entonces-curvedincrease Incrementar 0.27979 0.56044 la hidratación reversible del dióxido de carbono Córdoba et al. [sesenta y cinco]

plana

Sig_Quad_Di ff_ pval: valor de p para la prueba de la significación fi no puede di ff rencia en la tendencia cuadrática entre dos grupos.

Adj_Sig_Quad_Di ff_ pval: ajustado p-valor en el modo cuadrática obtenida de Benjamini-Hochberg correcciones múltiples ensayos. anotaciones funcionales: las
anotaciones funcionales se obtuvieron de la base de datos UniProt ( http://www.uniprot.org/ ).
Diario de la proteómica xxx (xxxx) xxx-xxx
C.-W. Liu et al.
la secreción en respuesta a glucosa a bajas concentraciones de H 2 O 2 ( véase la revisión de Drews et al. [50]
). Sin embargo, el estrés oxidativo podría predisponer aparición de T1D como se indica por Matteucci et
al. [51] , Quien informó que dentro de las células de plasma y glóbulos rojos, los niveles de
malondialdehído - los marcadores de estrés oxidativo signi fi cativamente elevada para los hermanos no
diabéticos de pacientes T1D. En este estudio la proteómica longitudinal, encontramos los patrones de
expresión anormales de esas 16 proteínas con funciones en respuesta al estrés oxidativo antes de la
seroconversión para los islotes autoinmunidad ( Tabla 3 ), Lo que puede sugerir que el estrés oxidativo
implica en la etapa temprana de la progresión de la diabetes tipo 1.
En resumen, un profesional longitudinal muy completa fi ling de proteoma del plasma humano se
demostró aquí usando una plataforma de LC-MS / MS basados ​en TMT10plex multiplexada para
identificar posibles marcadores de proteínas a la progresión T1D. variaciones dependientes de la
edad en proteoma del plasma se eliminaron mediante la inclusión de un grupo control sano bien
diseñado para el análisis, por lo que los cambios temporales como resultado de T1D progresión
natural pueden ser distinguidos claramente. modelado de curva estadística se aplicó a di ff erentiate
los patrones de expresión / se utilizó tendencias entre sujetos sanos y pacientes T1D, y el
procedimiento de Benjamini-Hochberg para múltiples correcciones de pruebas, lo que resultó en 13
grupos de proteínas (p <0,05, q <0,1) que tiene signi estadística fi cado en las tendencias de expresión
entre los dos grupos durante todo el período de seguimiento. Por otra parte, los patrones de
expresión únicos y consistentes se encontraron en un panel de grupos de proteínas con funciones en
respuesta al estrés oxidativo, y los grupos de proteínas mostraron claramente la expresión anormal
incluso antes de la seroconversión los islotes de autoinmunidad. Es importante destacar que las
tendencias de expresión temporal de enzimas clave contra el estrés oxidativo, la CAT y SOD1, eran
verificación fi ed independientemente por ELISA. el signi fi cado de esos marcadores potenciales
prometedores merece más atención. se planean estudios de validación utilizando la escala e
independientes cohortes grandes para el futuro.
Los datos complementarios a este artículo se pueden encontrar en línea en https: //
doi.org/10.1016/j.jprot.2017.10.004 .
documento de transparencia
los http://dx.doi.org/10.1016/j.jprot.2017.10.004 asociado con este artículo se puede encontrar,
en la versión en línea.
Expresiones de gratitud
Los autores agradecidamente gracias Athena Schepmoes para la preparación de las muestras. El
trabajo fue apoyado por los Institutos Nacionales de Salud (NIH) Subvenciones DK099174 y
DK114345. metadatos clínica y recogida de muestras fueron apoyados por subvenciones del NIH
DK32493, DK32083, DK050979, DK57516, y por la subvención de la Fundación de Investigación de
Diabetes Juvenil 172013-535.
referencias
[1] TL van Belle, KT Coppieters, MG von Herrath, la diabetes de tipo 1: etiología, inmunología, y estrategias
terapéuticas, Physiol. Rev. 91 (1) (2011) 79 - 118 .
[2] MA Atkinson, GS Eisenbarth, AW Michels, diabetes tipo 1, Lancet 383 (9911) (2014) 69 - 82 .
[3] RA Insel, JL Dunne, AG Ziegler, cribado de la población general para la diabetes tipo 1: su tiempo ha llegado?
Curr. Opin. Endocrinol. Diabetes Obes. 22 (4) (2015) 270 - 276 .
[4] PJ Bingley, las aplicaciones clínicas de las pruebas de anticuerpos diabetes, J. Clin. Endocrinol. Metab. 95 (1) (2010)
25 - 33 .
[5] AK Steck, K. Vehik, E. Bonifacio, A. Lernmark, AG Ziegler, WA Hagopian, J. Ella,
O. Simell, B. Akolkar, J. Krischer, D. Schatz, MJ Rewers, Grupo TS, predictores de la progresión de la
aparición de autoanticuerpos a la diabetes la primera infancia: La determinantes ambientales de la Diabetes
en jóvenes (EL OSO), Diabetes Care 38 (5) (2015) 808 - 813 .
[6] AG Ziegler, M. Rewers, O. Simell, T. Simell, J. Lempainen, A. Steck, C. Winkler,
J. Ilonen, R. Veijola, M. Knip, E. Bonifacio, GS Eisenbarth, la seroconversión a múltiples autoanticuerpos de
islotes y el riesgo de progresión a diabetes en los niños, JAMA 309 (23) (2013) 2473 - 2479 .
[7] S. Miersch, X. Bian, G. Wallstrom, S. Sibani, T. Logvinenko, CH Wasserfall,
D. Schatz, M. Atkinson, J. Qiu, J. LaBaer, ​autoanticuerpo serológica pro fi ling de la diabetes tipo 1 por arrays
de proteínas, J. Proteoma 94 (2013) 486 - 496 .
[8] A Metz, WJ Qian, JM Jacobs, MA Gritsenko, RJ Moore, AD Polpitiya,
10
Diario de la proteómica xxx (xxxx) xxx-xxx
ME Monroe, DG de Camp segundo, PW Mueller, RD Smith, Aplicación de la proteómica en el descubrimiento de
biomarcadores de proteínas candidato en un subconjunto de muestras programa de normalización diabetes de
autoanticuerpos, J. Proteoma Res. 7 (2) (2008) 698 - 707 .
[9] W. Zhi, A. Sharma, S. Purohit, E. Miller, B. Bode, SW Anderson, JC Reed,
RD Steed, L. Steed, D. Hopkins, JX Ella, el descubrimiento y validación de los cambios de proteínas en suero
en pacientes tipo 1 diabetes usando alto rendimiento dos espectrometría dimensional cromatografía
líquida-masa y inmunoensayos, Mol. Celda. Proteómica 10 (11) (2011) M111 - 012203 .
[10] Q. Zhang, TL Fillmore, AA Schepmoes, TR Clauss, MA Gritsenko, PW Mueller,
M. Rewers, MA Atkinson, RD Smith, A Metz, proteómica de suero revela desregulación sistémica de la
inmunidad innata en la diabetes tipo 1, J. Exp. Medicina. 210 (1) (2013) 191 - 203 .
[11] R. Moulder, SD Bhosale, T. Erkkila, E. Laajala, J. Salmi, EV Nguyen,
H. Kallionpää, J. Mykkanen, M. Vaha-Makila, H. Hyoty, R. Veijola, J. Ilonen,
T. Simell, J. Toppari, M. Knip, DR Goodlett, H. Lahdesmaki, O. Simell,
R. Lahesmaa, proteomas de suero distingue entre los niños en desarrollo la diabetes tipo 1 en una cohorte con la
susceptibilidad HLA-conferida, Diabetes 64 (6) (2015) 2265 - 2278 .
[12] M. Rewers, TL Bugawan, JM Norris, A. Blair, B. Beaty, M. Ho ff hombre, RS MCDU FFI mi
Jr., RF Hamman, G. Klingensmith, GS Eisenbarth, HA Erlich, examen de recién nacidos para marcadores de
HLA asociados con DMID: estudio diabetes autoinmunidad en los jóvenes (margarita), Diabetologia 39 (7)
(1996) 807 - 812 .
[13] JM Norris, X. Yin, MM Lamb, K. Barriga, J. Seifert, M. Ho ff hombre, HD Orton,
AE Baron, M. Clare-Salzler, HP Chase, NJ Szabo, H. Erlich, GS Eisenbarth,
M. Rewers, poliinsaturados omega-3 ingesta de ácidos grasos y la autoinmunidad de los islotes en los niños en
mayor riesgo de diabetes tipo 1, JAMA 298 (12) (2007) 1420 - 1428 .
[14] T. Svinkina, H. Gu, JC Silva, P. Mertins, J. Qiao, S. Fereshetian, JD Ja ff E, E. Kuhn,
ND Udeshi, SA Carr, la cobertura profunda, cuantitativa de la acetylome lisina usando anticuerpos
anti-acetil-lisina novedosos y un trabajo proteómico optimizado Florida ow, Molecular y Celular de Proteómica:
MCP 14 (9) (2015) 2429 - 2440 .
[15] JP Murphy, E. Stepanova, RA Everley, JA Paulo, SP Gygi, la dinámica de proteínas integrales temporal
durante el diauxic cambio en Saccharomyces cerevisiae,
Molecular y Cellular Proteomics: MCP 14 (9) (2015) 2454 - 2465 .
[dieciséis] CW Liu, MA Atkinson, Q. Zhang, la diabetes Tipo 1 de cadáver exhibición páncreas humano en un profesional
proteómico tejido exocrino único fi le, Proteómica 16 (9) (2016) 1432 - 1446 .
[17] CW Liu, L. Bramer, BJ Webb-Robertson, K. Waugh, MJ Rewers, Q. Zhang, pro Temporal fi les de proteoma del
plasma durante el desarrollo de la infancia, J. Proteoma 152 (2017) 321 - 328 .
[18] Una, la diabetes americana, (2) clasificación fi cación y el diagnóstico de la diabetes, Diabetes Care 38
Suppl (2015) S8 - S16 .
[19] JS Zimmer, ME Monroe, WJ Qian, RD Smith, Advances in proteómica análisis de datos y de visualización que utiliza
una masa y el tiempo de enfoque etiqueta exacta, Mass Spectrom. Rev. 25 (3) (2006) 450 - 482 .
[20] Y. Wang, F. Yang, MA Gritsenko, Y. Wang, T. Clauss, T. Liu, Y. Shen, ME Monroe,
D. López-Ferrer, T. Reno, RJ Moore, RL Klemke, DG Camp segundo, RD Smith, cromatografía de fase
inversa con múltiples estrategia fracción concatenación para pro proteoma fi ling de las células MCF10A
humanos, Proteómica 11 (10) (2011) 2019 - 2026 .
[21] RA Scheltema, JP Hauschild, O. Lange, D. Hornburg, E. Denisov, E. Damoc,
A. Kuehn, A. Makarov, M. Mann, La exactive HF Q, un espectrómetro de masas de banco superior con un pre- fi filtro,
de alto rendimiento cuadrupolo y un ultra-alto fi analizador Orbitrap ELD, Mol. Celda. Proteómica 13 (12) (2014)
3698 - 3708 .
[22] A. Michalski, J. Cox, M. Mann, más de 100.000 especies de péptidos detectables eluyen en individuales proteómica
escopeta carreras, pero la mayoría es inaccesible para LC-MS / MS dependiente de los datos, J. Proteoma Res. 10 (4)
(2011) 1785 - 1793 .
[23] T. Geiger, A. Wehner, C. Schaab, J. Cox, M. Mann, el análisis proteómico comparativo de líneas celulares común
once revela expresión ubicua pero variando de la mayoría de las proteínas, Molecular y Cellular Proteomics:
MCP 11 (3) (2012) M111 - 014050 .
[24] JA Vizcaino, A. Csordas, N. del-Toro, JA Dianes, J. Griss, I. Lavidas, G. Mayer,
Y. Pérez-Riverol, F. Reisinger, T. Ternent, QW Xu, R. Wang, H. Hermjakob, 2016 actualización de la base de datos de
PRIDE y sus herramientas relacionadas, Nucleic Acids Res. 44 (D1) (2016) D447 - 56 .
[25] SJ Callister, RC Barry, JN Adkins, ET Johnson, WJ Qian, BJ WebbRobertson, RD Smith, MS Lipton,
Normalización se acerca para eliminar sesgos sistemáticos asociados con espectrometría de masas y
proteómica etiqueta libre, J. Proteoma Res. 5 (2) (2006) 277 - 286 .
[26] D. Bates, M. Maechler, B. Bolker, S. Walker, lme4: lineal mixto-e ff Modelos ECTS
Usando Eigen y S4, R Versión Package, 1 (2014), pp. 1 - 7 .
[27] M. Kibirige, B. Metcalf, R. Renuka, TJ Wilkin, Prueba de la hipótesis acelerador: la relación entre la masa corporal
y la edad al momento del diagnóstico de la diabetes tipo 1, Diabetes Care 26 (10) (2003) 2865 - 2870 .
[28] P. Betts, J. Mulligan, P. Ward, B. Smith, T. Wilkin, aumento de peso corporal predice el inicio más temprano de la
diabetes dependiente de la insulina en la infancia: evaluación de la ' hipótesis del acelerador '( 2), Diabetic
Medicine: A Journal of the British Diabetic Association 22 (2) (2005) 144 - 151 .
[29] I. Knerr, J. Wolf, T. Reinehr, R. Stachow, M. Grabert, E. Schober, W. Rascher,
RW Holl, DPVSIO Alemania, Austria, La ' hipótesis del acelerador ': relación entre el peso, altura, índice de masa
corporal y la edad al momento del diagnóstico en una gran cohorte de
9.248 niños alemanes y austriacos con diabetes mellitus tipo 1, Diabetologia 48 (12) (2005) 2501 - 2504 .
[30] M. Gimenez, E. Aguilera, C. Castell, N. de Lara, J. Nicolau, I. Conget, Relación entre el IMC y la edad al momento
del diagnóstico de la diabetes tipo 1 en una cuenca mediterránea en el período de 1990 - 2004, Diabetes Care 30
(6) (2007) 1593 - 1595 .
[31] JM Barker, SH Goehrig, K. Barriga, M. Ho ff hombre, R. Slover, GS Eisenbarth,
JM Norris, GJ Klingensmith, M. Rewers, D. estudio, las características clínicas de los niños diagnosticados
con diabetes tipo 1 mediante el cribado intensivo y seguimiento, Diabetes Care 27 (6) (2004) 1399 - 1404 .
C.-W. Liu et al.
[32] MM Lamb, X. Yin, GO Zerbe, GJ Klingensmith, D. Dabelea, TE Fingerlin,
M. Rewers, JM Norris, la velocidad de crecimiento Altura, islote desarrollo autoinmunidad y el tipo 1
diabetes: el Estudio Autoinmunidad Diabetes en el joven, Diabetologia 52 (10) (2009) 2064 - 2071 .
[33] MM Lamb, D. Dabelea, X. Yin, LG Ogden, GJ Klingensmith, M. Rewers,
JM Norris, predictores de la vida temprana de índice de masa corporal en niños sanos, Ann. Nutr. Metab.
56 (1) (2010) 16 - 22 .
[34] T. Farrah, EW Deutsch, GS Omenn, DS Campbell, Z. Sun, JA Bletz, P. Mallick,
JE Katz, J. Malmstrom, R. Ossola, JD Watts, B. Lin, H. Zhang, RL Moritz,
R. Aebersold, un alto-con fi dencia referencia proteoma plasma humano establece con concentraciones
estimadas en PeptideAtlas, Mol. Celda. Proteómica 10 (9) (2011) M110 - 006353 .
[35] AC Schrimpe-Rutledge, G. Fontes, MA Gritsenko, AD Norbeck, DJ Anderson,
KM Waters, JN Adkins, RD Smith, V. Poitout, a Metz, el descubrimiento de nuevas proteínas regulada por
glucosa en islotes pancreáticos humanos aislados utilizando LC-MS / MSbased proteómica, J. Proteoma
Res. 11 (7) (2012) 3520 - 3532 .
[36] M. Uhlen, L. Fagerberg, BM Hallstrom, C. Lindskog, P. Oksvold, A. Mardinoglu,
A. Sivertsson, C. Kampf, E. Sjostedt, A. Asplund, I. Olsson, K. Edlund, E. Lundberg,
S. Navani, CA Szigyarto, J. Odeberg, D. Djureinovic, JO Takanen, S. Hober,
T. Alm, PH Edqvist, H. Berling, H. Tegel, J. Mulder, J. Rockberg, P. Nilsson,
JM Schwenk, M. Hamsten, K. von Feilitzen, M. Forsberg, L. Persson, F. Johansson,
M. Zwahlen, G. von Heijne, J. Nielsen, F. mapa basado en los tejidos del proteoma humano Ponten,, Ciencia
347 (6220) (2015) 1260419 .
[37] R. Hafen, L. Gosink, J. McDermott, K. Rodland, KK-V. Dam, WS Cleveland, Trelliscope:. Un sistema para la
visualización detallada en el profundo análisis de grandes datos complejos, análisis a gran escala de datos y de
visualización (LDAV), 2013 IEEE Simposio sobre, IEEE, Atlanta, Georgia, 2013, pp 105 - 112 .
[38] Y. Benjamini, Y. Hochberg, control de la tasa de falso descubrimiento: un enfoque práctico y potente para
múltiples pruebas, JR Stat. Soc. Serie B Stat. Metodología 57 (1995) 289 - 300 .
[39] M. Oresic, S. Simell, M. Sysi-Aho, K. Nanto-Salonen, T. Seppanen-Laakso,
V. Parikka, M. Katajamaa, A. Hekkala, I. Mattila, P. Keskinen, L. Yetukuri,
A. Reinikainen, J. Lahde, T. Suortti, J. Hakalax, T. Simell, H. Hyoty, R. Veijola,
J. Ilonen, R. Lahesmaa, M. Knip, O. Simell, desregulación de los lípidos y el metabolismo de aminoácidos precede a la
autoinmunidad de los islotes en los niños que más tarde progreso a la diabetes tipo 1, J. Exp. Medicina. 205 (13) (2008)
2975 - 2984 .
[40] RS Rosenson, DM Sta ff Orini, la modulación del estrés oxidativo, en Florida inflamación, y
aterosclerosis por la fosfolipasa asociada a lipoproteína A2, J. Lipid Res. 53 (9) (2012) 1767 - 1782 .
[41] MB Gomes, RA Cobas, E. Nunes, M. Nery, HC Castro-Faria-Neto, E. Tibirica, Serum actividad acetilhidrolasa
del factor activador de plaquetas: a novel in- potencial
Florida marcador inflamatorio en la diabetes tipo 1, Prostaglandins Other Lipid Mediat. 87 (1 - 4) (2008) 42 - 46 .
[42] MB Gomes, RA Cobas, E. Nunes, HC-Castro Faria-Neto, MF da Matta, R. Neves,
E. Tibirica, la actividad PAF-acetilhidrolasa de plasma, en Florida marcadores inflamatorios y la susceptibilidad
de la LDL a la oxidación in vitro en pacientes con diabetes mellitus tipo 1, Diabetes Res. Clin. Pract. 85 (1)
(2009) 61 - 68 .
[43] SC Lu, la síntesis de glutatión, Biochim. Biophys. Acta 1830 (5) (2013) 3143 - 3153 . [44] P. Chelikani, I. Fita, PC
Loewen, diversidad de estructuras y propiedades entre las catalasas, Cell. Mol. Life Sci. 61 (2) (2004) 192 - 208 .
[45] XG Lei, MZ Vatamaniuk, Dos cuentos de enzimas antioxidantes en las células beta y la diabetes, Antioxid.
Señal redox. 14 (3) (2011) 489 - 503 .
[46] M. Pernemalm, J. Lehtio, Mass proteómica de plasma basada en espectrometría de: estado de la técnica y las perspectivas
de futuro, Experto Rev. Proteómica 11 (4) (2014) 431 - 448 .
[47] M. Razavi, NL Anderson, R. Yip, ME Papa, TW Pearson, multiplexado de medición longitudinal de biomarcadores
de proteínas en DBS usando un trabajo SISCAPA automatizado Florida ow, Bioanálisis 8 (15) (2016) 1597 - 1609
. complejo respiratorio se requiere para la embriogénesis normal en el
[48] N. Rauniyar, JR tercera Yates, isobárica cuantificación relativa basada en el etiquetado fi cación en
11
Diario de la proteómica xxx (xxxx) xxx-xxx
proteómica escopeta, J. Proteoma Res. 13 (12) (2014) 5293 - 5309 .
[49] F. Giacco, M. Brownlee, el estrés oxidativo y las complicaciones diabéticas, Circ. Res. 107 (9) (2010) 1058 - 1070 .
[50] G. Drews, P. Krippeit-Drews, M. Dufer, el estrés oxidativo y la disfunción de las células beta, P Florida ugers Arco. -
EUR. J. Physiol. 460 (4) (2010) 703 - 718 .
[51] E. Matteucci, O. Giampietro, el estrés oxidativo en familias de pacientes diabéticos tipo 1, Diabetes Care 23 (8)
(2000) 1182 - 1186 .
[52] GD Albano, A. Bonanno, L. Riccobono, R. Gagliardo, M. Pieper, M. Gjomarkaj,
M. Pro fi ta, extracto de humo de cigarrillo (CSE) promueve la acetilcolina (ACh) mediada en Florida inflamación y
estrés oxidativo por vía MEK y ERK mediada por Raf PEBP1 / en las células epiteliales bronquiales humanas,
Eur. Respir. J. 46 (Supl. 59) (2015) .
[53] K. Yoshioka, T. Komatsu, K. Hanaoka, T. Ueno, T. Terai, T. Nagano, Y. Urano, el descubrimiento de una enzima de
péptido-metabolización pyruvylated utilizando una Florida fluorescente técnica de descubrimiento basada en la proteína
sustrato, Chem. Commun. 52 (23) (2016) 4377 - 4380 .
[54] YG Kaminsky, VP Reddy, GM Ashraf, A. Ahmad, VV Benberin, EA Kosenko,
G. Aliev, defectos relacionados con la edad en los eritrocitos metabolismo 2,3-difosfoglicerato en la demencia, envejecimiento
y la enfermedad 4 (5) (2013) 244 - 255 .
[55] H. Kang, DH Choi, SK Kim, J. Lee, YJ Kim, alteración del metabolismo energético y el procesamiento de
antioxidante en el hipocampo de las ratas criadas en enriquecimiento ambiental a largo plazo, Dev. Neurosci.
(2016) .
[56] PC O'Leary, M. Terrile, M. Bajor, P. Gaj, BT Hennessy, GB Mills, A. Zagozdzon,
DP O'Connor, DJ Brennan, K. Connor, J. Li, AM González-Angulo, HD Sol,
JX Pu, F. Ponten, M. Uhlen, K. Jirstrom, DA Nowis, JP Crown, R. Zagozdzon,
WM Gallagher, peroxiredoxina-1 protege alfa del receptor de estrógeno de la supresión inducida por el estrés
oxidativo y es un biomarcador de proteína de pronóstico favorable en cáncer de mama, Breast Cancer
Research: BCR 16 (4) (2014) R79 .
[57] TL Goncalves, DM Benvegnu, G. Bonfanti, AV Frediani, JB Rocha, la actividad delta-ALA-D es un marcador fiable
de estrés oxidativo en pacientes con trasplante de médula ósea, cáncer BMC 9 (2009) 138 .
[58] NF Villeneuve, A. Lau, DD Zhang, el Reglamento de la respuesta antioxidante de Nrf2-Keap1 por el sistema
ubiquitina proteasoma: una visión de ligasas de ubiquitina-anillo Cullin, Antioxid. Señal redox. 13 (11) (2010)
1699 - 1712 .
[59] R. Hertzberger, J. Arents, HL Dekker, RD Pridmore, C. Gysler, M. Kleerebezem,
MJ de Mattos, H (2) O (2) la producción de especies de la Lactobacillus acidophilus
grupo: un papel central para una novela dependiente de NADH Florida reductasa avin, Appl. Reinar. Microbiol. 80 (7)
(2014) 2229 - 2239 .
[60] Y. Iuchi, F. Okada, K. Onuma, T. Onoda, H. Asao, M. Kobayashi, J. Fujii, el estrés oxidativo elevada en los
eritrocitos debido a la SOD1 de fi deficiencia causa anemia y desencadena la producción de autoanticuerpos,
Biochem. J. 402 (2) (2007) 219 - 227 .
[61] P. Stralin, SL Marklund, E ff ECTS del estrés oxidativo en la expresión de extracelular
superóxido dismutasa, CuZn-superóxido dismutasa y Mn-superóxido dismutasa en dérmica humana fi fibroblastos,
Biochem. J. 298 (Pt 2) (1994) 347 - 352 .
[62] S. Salzano, P. Checconi, EM Hanschmann, CH Lillig, LD Bowler, P. Chan,
D. Vaudry, M. Mengozzi, L. Coppo, S. Sacre, KR Atkuri, B. Sahaf, LA Herzenberg,
LA Herzenberg, L. Mullen, P. Ghezzi, Vinculación del de Florida inflamación y el estrés oxidativo a través de liberación
de peroxirredoxina-2 glutathionylated, que actúa como una señal de peligro, Proc. Natl. Acad. Sci. EE.UU. 111 (33)
(2014) 12 157 - 12162 .
[63] S. Rinalducci, GM D'Amici, B. Blasi, S. Vaglio, G. Grazzini, L. Zolla, Peroxiredoxin2 como un biomarcador candidato para probar
los niveles de estrés oxidativo de las células rojas de la sangre se almacena bajo condiciones de banco de sangre,
Transfusion 51 (7) (2011) 1439 - 1449 .
[64] W. Fang, ML Goldberg, NM Pohl, X. Bi, C. Tong, B. Xiong, TJ Koh,
AM Diamond, W. Yang, la interacción funcional y física entre la proteína seleniumbinding 1 (SBP1) y la
selenoproteína glutatión peroxidasa 1, Carcinogenesis 31 (8) (2010) 1360 - 1366 .
[sesenta y cinco] JP Cordoba, F. Marchetti, D. Soto, MV Martin, GC Pagnussat, E. Zabaleta, el dominio de CA de la I
Arabidopsis thaliana, J. Exp. Larva del moscardón. 67 (5) (2016) 1589 - 1603 .