Using proteomics for stratification and risk prediction in patients with solid tumors

Abstract

Proteomics, the study of proteins and their functions, has greatly evolved due to advances in analytical chemistry and computational biology. Unlike genomics or transcriptomics, proteomics captures the dynamic and diverse nature of proteins, which play crucial roles in cellular processes. This is exemplified in cancer, where genomic and transcriptomic information often falls short in reflecting actual protein expression and interactions. Liquid chromatography–mass spectrometry (LC-MS) is pivotal in proteomic data generation, enabling high-throughput analysis of protein samples. The MS-based workflow involves protein digestion, chromatographic separation, ionization, and fragmentation, leading to peptide identification and quantification. Computational biostatistics, particularly using tools in R (R Foundation for Statistical Computing, Vienna, Austria; www.R-project.org), aid in data analysis, revealing protein expression patterns and correlations with clinical variables. Proteomic studies can be explorative, aiming to characterize entire proteomes, or targeted, focusing on specific proteins of interest. The integration of proteomics with genomics addresses database limitations and enhances peptide identification. Case studies in intrahepatic cholangiocarcinoma, glioblastoma multiforme, and pancreatic ductal adenocarcinoma highlight proteomics’ clinical applications, from subtyping cancers to identifying diagnostic markers. Moreover, proteomic data augment molecular tumor boards by providing deeper insights into pathway activities and genomic mutations, supporting personalized treatment decisions. Overall, proteomics contributes significantly to advancing our understanding of cellular biology and improving clinical care.

Zusammenfassung

Proteomik beschäftigt sich mit der globalen Analyse aller Proteine einer Probe und hat sich in den letzten Jahren enorm weiterentwickelt. Proteine durchlaufen vielfältige Modifikations‑, Transport- und Abbauprozesse, derentwegen das Proteom hochdynamisch ist. Ein Beispiel dafür sind Krebserkrankungen, bei denen genomische und transkriptomische Informationen die tatsächliche Proteinexpression und -interaktion kaum widerspiegeln können. Die an Flüssigchromatographie gekoppelte Massenspektrometrie (LC-MS) ist von zentraler Bedeutung bei der Generierung proteomischer Daten und ermöglicht die Hochdurchsatzanalyse zur Peptididentifizierung und -quantifizierung im Massenspektrometer aus sehr geringen Materialmengen. Computergestützte Biostatistik, insbesondere unter Verwendung von R (R Foundation for Statistical Computing, Wien, Österreich; www.R-project.org), hilft bei der Datenanalyse und deckt Proteinexpressionsmuster und Korrelationen mit klinischen Variablen auf. Proteomische Studien können explorativ sein und auf die Charakterisierung ganzer Proteome abzielen oder zielgerichtet sein und sich auf bestimmte interessierende Proteine konzentrieren. Die Integration von Proteomik in Genomik zielt auf die Beseitigung von Einschränkungen in Datenbanken ab und verbessert die Peptididentifizierung. Verschiedene Fallstudien verdeutlichen die klinischen Anwendungen der Proteomik, von der Subtypisierung von Krebserkrankungen bis zur Identifizierung diagnostischer Marker. Darüber hinaus unterstützen proteomische Daten molekulare Tumorboards, indem sie tiefere Einblicke in Signalwegaktivitäten und genomische Mutationen liefern und so bei personalisierten Behandlungsentscheidungen helfen. Insgesamt trägt die Proteomik wesentlich dazu bei, unser Verständnis der Zell- und Tumorbiologie zu erweitern und die klinische Versorgung zu verbessern.