2024年3月6日，多伦利细胞与生物分子研究中心Brenda J. Andrews课题组在Cell杂志上发表题为Proteome-scale movements and compartment connectivity during the eukaryotic cell cycle的文章，研究人员通过对数百万活酵母细胞的图像应用两个不同的卷积神经网络，解决了细胞周期中浓度和定位的蛋白质组水平动态，分辨率达到~20个亚细胞定位类别。
研究人员利用活细胞的高内涵成像，以高分辨率绘制了出芽酵母蛋白质组的时空动态作为细胞周期进程的函数。为了实现这一目标，研究者将表达 GFP 融合蛋白的细胞的高通量荧光显微镜与神经网络相结合，用于自动细胞周期阶段分类和 22 个亚细胞位置类别的蛋白质注释。研究发现，四分之一的评估酵母蛋白质组表现出与细胞周期相关的周期性，蛋白质在细胞周期期间的定位或浓度往往具有周期性，但通常两者都不是。个体细胞周期转变的特点是独特的时空蛋白质组特征，具有周期性浓度的蛋白质主要参与细胞周期控制，而那些具有周期性定位的蛋白质则参与细胞周期程序的生物物理实施。该研究的单细胞蛋白质组测量与细胞周期解析的转录组和核糖体分析数据的补充表明翻译后调节在确定细胞周期特异性蛋白质浓度中的重要作用。
最后，研究人员将空间信息与动态蛋白质组浓度数据相结合，生成定量蛋白质通量图，并演示细胞周期解析的表型组学如何指导功能基因组注释。本研究提供了具有高空间分辨率的蛋白质组动力学的全面视图，为探索与真核细胞周期相关的分子波动提供了独特的资源。所有数据均可在thecellvision.org/cellcycle访问。
