German Title: Automatisierte Probenvorbereitung fuer Proteomprofiling von klinischen Proben

Preview

PDF, English - main document Download (11MB) | Terms of use

Abstract

The genetic information of all life is encoded within DNA molecules that are translated into functional entities, so-called proteins. They are responsible for operating and controlling a vast array of molecular mechanisms in any biological system and ubiquitous in (patho)physiology as a result. Besides, proteins are the primary target of drugs and can have a central role as biomarkers for diagnostic, prognostic, or predictive purposes. Here, many regulatory mechanisms and spatiotemporal influences prevent an accurate prediction of a proteins’ abundance and its associated functionality based on the genome information alone. Nowadays, it has become possible to measure and quantify thousands of proteins simultaneously, however, involving comprehensive sample preparation procedures. Currently, no universally standardized method enables a routine application of proteome profiling in a clinical environment. In this thesis, an automated workflow for the efficient processing of the most common and quantity-limited specimens is described. In order to demonstrate the usefulness of the end-to- end pipeline, which was termed autoSP3, it was applied to the proteome profiling of histologically defined and WHO recognized growth patterns of pulmonary adenocarcinoma (ADC) that currently have a limited clinical implication. Secondly, we investigated the proteome composition of a molecularly well-defined cohort of Ependymoma (EPN) pediatric brain tumors. Despite the availability of substantial NGS data and their ability to differentiate nine distinct subgroups, the majority of tumors remained without a functional insight. Here, the proteome profiling could provide a missing link and emphasize several subgroup-specific protein targets. In summary, this thesis describes the optimization of SP3 and its automation into a robust and cost-efficient pipeline for quantity-limited sample preparation and biological insight into the proteome composition of ADC growth patterns and EPN tumor subgroups.

Translation of abstract (German)

Die genetische Information, welche in der DNS eines jeden Lebewesen’s codiert ist, wird übertragen in funktionellen Einheiten, so genannte Proteine. Diese sind verantwortlich fuer den Betrieb und die Kontrolle zahlreicher molekularer Mechanismen in jedem biologischen System. Dadurch sind Proteine allgegenwärtig in der (Patho)-physiologie. Zusätzlich sind Proteine der Hauptangriffspunkt der meisten klinischen Arzneimittel und sie können eine zentrale Rolle als Biomarker fuer diagnostische, prognostische oder prädiktive Zwecke einnehmen. Da die Abundanz eines jeden Proteins und die damit zusammenhängende Funktion von zahlreichen regulatorischen Mechanisms sowie räumlichen und zeitlichen Faktoren abhängt, ist es kaum möglich diese allein anhand der genetischen Information vorherzusagen. Heutzutage ist es möglich tausende von Proteinen gleichzeitig zu messen und zu quantifizieren. Bisher gibt es allerdings keine universelle und standardisierte Methode, welche eine routinierte Anwendung in einem klinischen Umfeld ermöglichen würde. In dieser Doktorarbeit wird eine automatisierte Methode zur effizienten Prozessierung der am häufigsten verwendeten und mengenlimitierten Probentypen beschrieben. Um die allgemeine Nützlichkeit dieser Methode zu demonstrieren, welche autoSP3 genannt wurde, wurde sie in zwei realistischen Szenarios angewendet. Zunächst wurde sie verwendet um Unterschiede in der Proteinzusammensetzung von Lungenkarzinomen mit verschiedenen Wachstumsmustern zu untersuchen, welche nach WHO Richtlinien histologisch klassifiziert wurden. Darüber hinaus wurde eine Kohorte von Ependymoma (EPN) Gehirntumoren, welche bei Kindern und Jugendlichen vorkommen, auf Ihre Proteinzusammensetzung untersucht. Bisher konnten diese basierend auf NGS Daten in neun individuelle Untergruppen klassifiziert werden, aber für die Mehrheit exisitiert bisher keine funktionelle Erklärung. Die tumorspezifischen Proteinprofile bieten die Möglichkeit potentielle Ursachen, Mechanismen oder Angriffspunkte für Therapien aufzudecken. Zusammenfassend beschreibt diese Doktorarbeit die Optimierung und Automatisierung von SP3 zu einem robusten und kosteneffizienten Prozess sowie dessen Anwendung und daraus folgende biologische Erkenntnisse zu Lungenkarzinom-Wachstumsmustern und EPN-Gehirntumoren.