本文档属于类型a，即报告了一项原创研究的学术论文。以下是该研究的详细报告：
作者与机构
本研究由Athanasios Litsios、Benjamin T. Grys、Oren Z. Kraus等作者共同完成，主要研究机构包括多伦多大学的Donnelly细胞与生物分子研究中心、分子遗传学系、电气与计算机工程系，以及哈佛医学院遗传学系等。该研究于2024年3月14日发表在《Cell》期刊上，论文标题为“Proteome-scale movements and compartment connectivity during the eukaryotic cell cycle”。
学术背景
真核细胞周期（eukaryotic cell cycle）是细胞分裂和基因组复制的核心过程，其异常执行与多种疾病密切相关。尽管已有大量研究揭示了细胞周期中转录组、蛋白质组、磷酸化蛋白质组和代谢组的变化，但对蛋白质在亚细胞水平上的动态分布仍知之甚少。尤其是活细胞中蛋白质的大规模亚细胞定位测量技术存在挑战，限制了这一领域的研究进展。因此，本研究旨在通过高分辨率时空图谱揭示酵母细胞周期中蛋白质组的动态变化，并探索蛋白质浓度和定位在细胞周期中的调控机制。
研究流程
1. 实验设计与数据采集
研究团队利用酵母蛋白质-GFP（绿色荧光蛋白）集合，构建了数千个表达不同GFP标记蛋白的酵母菌株。通过高通量荧光显微镜对超过2000万个活细胞进行成像，生成了超过12.3万张图像。为了自动化分析这些数据，研究团队开发了两个卷积神经网络（CNN）：Cyclenet用于细胞周期阶段的分类，DeepLoc用于蛋白质亚细胞定位的注释。
细胞周期分类与蛋白质定位分析
Cyclenet通过荧光标记的细胞质、细胞核和芽颈结构，将单细胞图像分为六个细胞周期阶段：G1前期、G1后期、S/G2期、中期、后期和末期。DeepLoc则进一步将蛋白质定位到22个亚细胞类别中，并量化了蛋白质在细胞周期中的动态变化。
蛋白质周期性与功能分析
研究团队通过严格的统计评分方法，鉴定了405个在细胞周期中定位发生显著变化的蛋白质，以及810个在细胞周期中浓度发生显著变化的蛋白质。通过多组学整合分析，揭示了蛋白质浓度和定位在细胞周期中的调控模式。
数据可视化与资源开发
研究团队开发了一个基于网络的工具（thecellvision.org/cellcycle），供研究人员访问和探索这些数据。该工具支持通过酵母基因名称或人类同源基因进行搜索，并提供了细胞周期解析的蛋白质组动态图谱。
主要结果
1. 蛋白质定位的动态变化
研究发现，约四分之一的酵母蛋白质组在细胞周期中表现出定位或浓度的周期性变化。其中，蛋白质的定位变化主要涉及细胞质、芽颈和细胞核等亚细胞结构，而蛋白质浓度的变化则主要与细胞周期控制相关。
蛋白质浓度的动态变化
研究显示，蛋白质浓度在G1期显著增加，并在G1后期达到峰值，随后在细胞周期后期逐渐下降。这一现象与细胞大小的变化密切相关，表明蛋白质合成在G1期显著增强。
多组学整合分析
通过整合转录组和翻译组数据，研究发现蛋白质浓度的周期性变化主要由转录后调控机制驱动，而非转录水平的直接调控。
功能注释与新生物学发现
研究团队通过表型组学分析，鉴定了多个未表征基因的功能。例如，未表征蛋白YMR295C被发现在细胞壁形成中发挥重要作用，并命名为GSR1（Glucan Synthesis Regulator）。
结论与意义
本研究通过高分辨率时空图谱，全面揭示了酵母细胞周期中蛋白质组的动态变化，为理解真核细胞周期的分子机制提供了重要资源。研究不仅揭示了蛋白质浓度和定位在细胞周期中的调控模式，还通过功能注释发现了多个新基因的生物学功能。这些发现为细胞周期相关疾病的治疗提供了新的潜在靶点。
研究亮点
1. 高分辨率时空图谱：首次在活细胞中实现了蛋白质组的高分辨率时空动态分析。
2. 多组学整合：通过整合蛋白质组、转录组和翻译组数据，揭示了蛋白质浓度和定位的多层次调控机制。
3. 新工具与资源：开发了基于网络的工具，为研究人员提供了便捷的数据访问和分析平台。
4. 功能注释与新发现：通过表型组学分析，鉴定了多个未表征基因的功能，拓展了对细胞周期相关生物学过程的理解。
其他有价值的内容
研究还揭示了蛋白质在亚细胞结构间的动态迁移模式，例如核糖体蛋白在细胞周期中向液泡及其周边的迁移，这一发现为探索细胞周期中的翻译调控机制提供了新的研究方向。此外，研究团队开发的卷积神经网络Cyclenet和DeepLoc为高通量细胞成像数据的自动化分析提供了重要技术支持。