Altern – Proteinumsatz statt statischer Proteom-Signaturen

aiMOOC

Altern – Proteinumsatz statt statischer Proteom-Signaturen

QR-Code

Einleitung

Altern – Proteinumsatz statt statischer Proteom-Signaturen behandelt eine zentrale methodische Frage der modernen Proteomik: Was bedeutet es eigentlich, wenn die Menge eines markierten Proteins während eines Pulse-Chase-Experiments abnimmt? Eine statische Proteom-Messung beschreibt, welche Proteine zu einem Zeitpunkt vorhanden sind. Ein BONCAT-Pulse-Chase-Experiment versucht dagegen, die Dynamik neu synthetisierter Proteine sichtbar zu machen. Aus einer zeitlichen Abnahme des markierten Signals unmittelbar auf „Proteinabbau“ zu schließen, ist jedoch nur dann gerechtfertigt, wenn andere Prozesse vernachlässigbar oder unabhängig gemessen sind.

Ausgangspunkt dieses aiMOOCs ist die BONCAT-Pulse-Chase-Studie von Guldner und Kolleg:innen aus dem Jahr 2026, in der neuronale Protein-Turnover-Dynamiken in verschiedenen Hirnregionen und Altersgruppen der Maus untersucht wurden. Die Studie verwendet zelltypspezifisches Bioorthogonal Non-Canonical Amino Acid Tagging, einen Pulse mit Azidophenylalanin und anschließend einen Chase. Die publizierten Daten und der Analysecode ermöglichen eine methodische Reanalyse.

Dieser aiMOOC verfolgt keine bloße Reproduktion einer veröffentlichten Halbwertszeit-Tabelle. Du entwickelst ein Messmodell, das mindestens fünf biologisch verschiedene Beiträge trennt:

1. Proteinsynthese: Neue markierte Proteinmoleküle können während des Pulses entstehen; Restlabel oder Recycling können auch im Chase noch eine Quelle darstellen.
2. Proteinabbau: Markierte Moleküle können proteolytisch entfernt werden.
3. Sekretion und Efflux: Markierte Proteine können das analysierte Gewebekompartiment verlassen, ohne dort abgebaut worden zu sein.
4. Zellverlust: Wenn markierte Zellen verloren gehen, sinkt das Bulk-Signal auch bei unveränderter intrazellulärer Proteinhalbwertszeit.
5. Label-Recycling: Beim Abbau freigesetztes oder noch vorhandenes nichtkanonisches Label kann erneut in neu synthetisierte Proteine eingebaut werden.

Das Ziel ist ein reproduzierbares Analyseprotokoll mit Unsicherheitsintervallen. Es soll offenlegen, welche Parameter aus den vorhandenen Daten tatsächlich identifizierbar sind und welche nur unter Zusatzannahmen geschätzt werden können. Außerdem entwirfst Du ein Folgeexperiment, das konkurrierende Erklärungen experimentell auseinanderhalten kann.

Studienkontext: Was wurde 2026 gemessen?

Die Studie von Guldner et al. untersucht neuronale Proteine in 4, 12 und 24 Monate alten Mäusen. Das System nutzt eine mutierte Phenylalanyl-tRNA-Synthetase, um das bioorthogonale Aminosäureanalogon Azidophenylalanin selektiv in Proteine bestimmter Neuronen einzubauen. Nach einem mehrtägigen Markierungspuls folgt ein Chase ohne geplante weitere Markierung. Zu mehreren Zeitpunkten werden Hirnregionen entnommen, markierte Proteine angereichert und mittels Massenspektrometrie und TMT-basierter Quantifizierung analysiert.

Die publizierte Versuchsanordnung umfasst einen siebentägigen AzF-Puls und vier terminale Messzeitpunkte über einen etwa zweiwöchigen Chase. Untersucht wurden unter anderem sensorischer Cortex, visueller Cortex, Hippocampus und Hypothalamus. Da Hirngewebe zur Messung entnommen werden muss, handelt es sich bei den Chase-Zeitpunkten um unterschiedliche Tiere und nicht um wiederholte Messungen desselben Individuums.

Die zentrale interpretative Herausforderung lautet deshalb:

Gemessen wird zunächst das zeitabhängige Signal markierter Moleküle im entnommenen Kompartiment – nicht direkt eine mikroskopisch beobachtete Abbaukonstante.

Für einen reinen Ein-Kompartiment-Zerfall gilt:

$L(t)=L_0{e}^{-kt}$

und daraus:

$t_{1/2}=\frac{\ln 2}{k}$

Diese Gleichung ist biologisch sinnvoll, wenn nach Beginn des Chase keine relevante neue Markierung mehr entsteht, der Verlust aus dem Messkompartiment durch denselben Prozess beschrieben werden kann und die Abbaurate zeitlich konstant ist. Genau diese Voraussetzungen müssen in einer Reanalyse geprüft werden.

Das folgende Video führt auf fortgeschrittenem Niveau in massenspektrometrische Proteomik ein und hilft Dir, zwischen biologischem Prozess und instrumenteller Messung zu unterscheiden:

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

BONCAT misst markierten Proteinbestand, nicht automatisch Abbau

BONCAT geht auf die Idee zurück, neu synthetisierte Proteine durch Einbau nichtkanonischer Aminosäuren selektiv chemisch adressierbar zu machen. Ein Pulse-Chase-Design fügt die Zeitdimension hinzu: Während des Pulses entsteht ein markierter Molekülpool; während des Chase wird sein weiteres Schicksal verfolgt.

Ein beobachtetes Signal $Y(t)$ kann vereinfacht als Messung eines latenten markierten Proteinpools $L(t)$ verstanden werden:

$Y(t)=\alpha L(t)+b+ϵ(t)$

Dabei ist $\alpha$ ein Skalierungsfaktor, $b$ ein Hintergrundbeitrag und $ϵ(t)$ der Messfehler. Bereits diese Gleichung macht deutlich, dass eine Hintergrundsubtraktion und eine Normierung auf den ersten Zeitpunkt Unsicherheit nicht verschwinden lassen.

Noch wichtiger ist die Bilanz des biologischen Pools:

$\frac{dL}{dt}=S_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}}(t)-k_{\mathrm{d}\mathrm{e}\mathrm{g}}(t)L(t)-k_{\mathrm{s}\mathrm{e}\mathrm{c}}(t)L(t)$

Hier bezeichnet $S_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}}(t)$ die Bildung neuer markierter Proteinmoleküle, $k_{\mathrm{d}\mathrm{e}\mathrm{g}}$ den intrazellulären Abbau und $k_{\mathrm{s}\mathrm{e}\mathrm{c}}$ den Verlust durch Sekretion, Efflux oder Transport aus dem analysierten Kompartiment.

Wenn zusätzlich die Zahl beziehungsweise Menge markierter Zellen $N(t)$ variiert, kann das Bulk-Signal näherungsweise sein:

$Y_{\mathrm{b}\mathrm{u}\mathrm{l}\mathrm{k}}(t)\propto N(t)L_{\mathrm{c}\mathrm{e}\mathrm{l}\mathrm{l}}(t)$

Sinkt $N(t)$, kann ein Protein im einzelnen überlebenden Neuron völlig stabil sein und das Gewebesignal dennoch abnehmen.

Sekretion und Efflux als konkurrierende Erklärung

Proteine können das Zell- oder Gewebekompartiment verlassen, ohne dort proteolytisch zerstört zu werden. Für ein einfaches Zwei-Kompartiment-Modell kann ein exportierter Pool $E(t)$ eingeführt werden:

$\frac{dL}{dt}=S_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}}(t)-(k_{\mathrm{d}\mathrm{e}\mathrm{g}}+k_{\mathrm{s}\mathrm{e}\mathrm{c}})L$

$\frac{dE}{dt}=k_{\mathrm{s}\mathrm{e}\mathrm{c}}L-k_{\mathrm{c}\mathrm{l}\mathrm{e}\mathrm{a}\mathrm{r},\mathrm{E}}E$

Wird nur $L(t)$ im Hirngewebe gemessen, treten $k_{\mathrm{d}\mathrm{e}\mathrm{g}}$ und $k_{\mathrm{s}\mathrm{e}\mathrm{c}}$ lediglich als Summe auf. Beide Parameter sind dann strukturell nicht getrennt identifizierbar. Eine zusätzliche Messung des exportierten Pools kann diese Symmetrie brechen.

Eine unabhängige Arbeit von Chayama et al. aus dem Jahr 2026 zeigt mit neuronaler Proteinmarkierung, dass endogene neuronale Proteine in Liquor- und Hirngrenzkompartimente gelangen können. Das beweist nicht, dass der in der Guldner-Studie beobachtete Signalverlust primär durch Export verursacht wird. Es zeigt aber, dass Export als konkurrierender Prozess biologisch plausibel und experimentell messbar ist.

Zellverlust als Multiplikator des Signals

Ein terminal gemessenes Gewebehomogenat enthält weder dieselbe Zelle zu mehreren Zeitpunkten noch automatisch dieselbe Zahl erfolgreich markierter Neuronen. Deshalb sollte ein erweitertes Modell die Abundanz markierter Zellen explizit berücksichtigen:

$\frac{dN}{dt}=-\delta (t)N(t)$

und:

$Y(t)\propto N(t)L_{\mathrm{c}\mathrm{e}\mathrm{l}\mathrm{l}}(t)$

Ohne unabhängige Information zu $N(t)$ können Proteinverlust pro Zelle und Verlust markierter Zellen miteinander verwechselt werden. Die Lösung ist keine rein statistische Korrektur, sondern eine zusätzliche Messung: Reporter-positive Zellzahlen, stereologische Zellzählung, NeuN-basierte Quantifizierung oder eine andere vorab validierte Zellmengen-Normalisierung.

Label-Recycling und Restmarkierung

Die Annahme eines idealen Chase lautet: Sobald der Puls endet, gilt $S_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}}(t)=0$. In realen biologischen Systemen muss diese Annahme geprüft werden. Freies AzF kann verzögert ausgewaschen werden; markierte Proteine können abgebaut werden; dabei können markierte Aminosäuren erneut in einen metabolisch verfügbaren Pool gelangen.

Ein einfaches Modell für einen freien Labelpool $F(t)$ lautet:

$\frac{dF}{dt}=-k_{\mathrm{c}\mathrm{l}\mathrm{e}\mathrm{a}\mathrm{r}}F+\rho k_{\mathrm{d}\mathrm{e}\mathrm{g}}L-u(F)$

Dabei beschreibt $\rho$ den Anteil wieder verfügbarer Markierung und $u(F)$ die erneute Aufnahme in Proteinsynthese. Dann gilt:

$S_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}}(t)=s(t)q(F(t))$

Schon eine kleine positive Quelle während des Chase kann einen scheinbar langsamen Zerfall erzeugen. Für einen stark vereinfachten Restlabelpool mit $F(t)=F_0{e}^{-\gamma t}$ entsteht eine Lösung der Form:

$L(t)=L_0{e}^{-kt}+A\frac{e^{-kt}-e^{-\gamma t}}{\gamma -k}$

Ein flaches Signal kann deshalb sowohl einen sehr langsamen Proteinverlust als auch eine Kompensation durch fortgesetzte Markierung widerspiegeln.

Das publizierte Messmodell reproduzieren, bevor es ersetzt wird

Eine methodische Reanalyse sollte zuerst die publizierte Pipeline möglichst exakt reproduzieren. Das ist wichtig, damit Unterschiede zwischen Original- und Reanalyse nicht aus einem unbemerkten Datenverarbeitungsunterschied entstehen.

Die publizierte Auswertung verwendet unter anderem Hintergrundkontrollen, Filter für ausreichend angereicherte Proteine, Normalisierung der Zeitverläufe und den Vergleich eines Ein-Zustands- mit einem Zwei-Zustands-Modell. Für die Modellauswahl wird im publizierten Workflow ein AIC-basiertes Kriterium verwendet; außerdem werden Trajektorien mit bestimmten Anstiegen zwischen Zeitpunkten vor der Turnover-Analyse gefiltert.

Diese Schritte sind zunächst als Reproduktionsziel zu behandeln, nicht als unveränderliche Wahrheit. Erst nachdem die Originalresultate reproduziert sind, folgt eine zweite, klar getrennte Reanalyse mit alternativen Annahmen.

Ein besonderes Augenmerk gilt dem Monotoniefilter. Wenn Zeitreihen mit einem Anstieg von mehr als einer vorgegebenen Schwelle ausgeschlossen werden, wird auf die Form konditioniert, die das spätere Zerfallsmodell erwartet. Ein Anstieg kann Messrauschen sein, aber auch durch Restmarkierung, biologische Heterogenität, Transfer, Normalisierung oder Modellmissspezifikation entstehen. Deshalb gehört eine Analyse mit und ohne Monotoniefilter zwingend in die Sensitivitätsprüfung.

Strukturelle und praktische Identifizierbarkeit

Strukturelle Identifizierbarkeit fragt: Könnten die Parameter selbst mit unendlich präzisen Daten eindeutig bestimmt werden?

Praktische Identifizierbarkeit fragt: Sind die Parameter mit dem tatsächlich verfügbaren Messfenster, der Anzahl der Zeitpunkte, der Stichprobengröße und dem beobachteten Rauschen hinreichend genau bestimmbar?

Diese Unterscheidung ist entscheidend. Beim Modell

$L(t)=L_0{e}^{-(k_{\mathrm{d}\mathrm{e}\mathrm{g}}+k_{\mathrm{s}\mathrm{e}\mathrm{c}})t}$

kann aus einer einzelnen Gewebetrajektorie nur die Summe $k_{\mathrm{d}\mathrm{e}\mathrm{g}}+k_{\mathrm{s}\mathrm{e}\mathrm{c}}$ bestimmt werden. Das ist ein strukturelles Problem.

Dagegen ist im Modell

$L(t)=L_0{e}^{-kt}$

der Parameter $k$ prinzipiell bestimmbar. Wenn $k$ aber so klein ist, dass sich innerhalb von 14 Tagen kaum Signaländerung zeigt, wird die Schätzung praktisch instabil.

Warum lange Halbwertszeiten in kurzen Messfenstern problematisch sind

Für kleine $kt$ gilt die Näherung:

$e^{-kt}\approx 1-kt$

Dann unterscheidet sich eine sehr lange Halbwertszeit im kurzen Fenster kaum von „kein messbarer Zerfall“. Da

$t_{1/2}=\frac{\ln 2}{k}$

gilt, führt bereits eine kleine Unsicherheit um einen sehr kleinen Wert von $k$ zu einer sehr großen und asymmetrischen Unsicherheit der Halbwertszeit.

Daraus folgt eine zentrale Reporting-Regel:

Wenn das obere Konfidenzintervall der Halbwertszeit nicht endlich bestimmt werden kann, sollte keine scheinpräzise Halbwertszeit berichtet werden.

Stattdessen kann beispielsweise ein unterer Grenzwert angegeben werden: „$t_{1/2}$ größer als X Tage unter dem spezifizierten Modell und Messfehler“. Das ist informativer als eine weit extrapolierte Punktzahl ohne identifizierbare Obergrenze.

Als rein illustratives Beispiel: Wenn ein Experiment über 14 Tage wegen seiner Streuung erst einen Signalabfall von ungefähr 30 Prozent zuverlässig von Rauschen unterscheiden könnte, entspräche dieser Abfall unter einem reinen Exponentialmodell ungefähr einer Halbwertszeit von 27 Tagen. Das ist keine universelle Grenze, sondern zeigt, warum die identifizierbare Reichweite aus dem realen Rauschen jedes Datensatzes simuliert werden muss.

Nicht exponentielle Proteinkinetik

Ein Ein-Zustands-Modell setzt voraus, dass jedes Molekül unabhängig von seinem Alter dieselbe konstante Hazardrate besitzt. Diese Annahme ist nicht für jedes Protein plausibel. McShane et al. zeigten bereits 2016 anhand von Pulse-Chase-Proteomik, dass ein relevanter Anteil der untersuchten Proteine nicht exponentielle Zerfallsverläufe aufweist und frisch synthetisierte Moleküle teilweise eine andere Stabilität besitzen als ältere Moleküle.

Das ist für einen siebentägigen Markierungspuls besonders wichtig: Am Chase-Beginn besteht der markierte Pool aus Molekülen unterschiedlichen Alters. Bei altersabhängiger Stabilität bestimmt die Länge des Pulses die Zusammensetzung dieses Pools.

Fehler beim Erstellen des Vorschaubildes:

Kandidatenmodelle für die Sensitivitätsanalyse

Für jedes Protein sollten mehrere Modelle mit klar begrenzter Komplexität verglichen werden:

1. Nullmodell: Kein oder im Messfenster nicht auflösbarer Nettoverlust.
2. Ein-Zustands-Modell: $S(t)=e^{-kt}$.
3. Zwei-Zustands-Modell: Ein instabilerer junger und ein stabilerer reifer Zustand, angelehnt an altersabhängige Proteinzerfallsmodelle.
4. Weibull- oder stretched-exponential-Modell: $S(t)=e^{-(t/\lambda {)}^{\beta }}$; $\beta =1$ entspricht dem Exponentialmodell.
5. Biexponentieller Zerfall: $S(t)=f{e}^{-k_{1}t}+(1-f)e^{-k_{2}t}$.
6. Quellterm-Modell: Exponentieller Verlust plus Restmarkierung beziehungsweise Label-Recycling.
7. Formbeschränktes Hazard- oder Spline-Modell: Nur bei einem erweiterten Folgeexperiment mit genügend Zeitpunkten sinnvoll.

Bei nur vier Chase-Zeitpunkten ist ein flexibles biexponentielles Modell leicht überparametrisiert. Es sollte deshalb als Sensitivitätsmodell mit Regularisierung, plausiblen Priors oder vorgegebenem Parametergrid eingesetzt werden und nicht als automatisch „bessere“ mechanistische Erklärung.

Für kleine Stichproben ist ein korrigiertes Informationskriterium wie AICc geeigneter als die unkritische Verwendung von AIC. Zusätzlich sollte prädiktive Güte geprüft werden, beispielsweise durch Leave-one-timepoint-out-Analysen oder simulationsbasierte posterior-predictive checks. Wenn mehrere Modelle ähnlich gut unterstützt werden, ist Modellmittelung sinnvoller als ein hartes Winner-takes-all-Verfahren.

Fehlende Proteine sind Teil des Messprozesses

Proteomdaten enthalten häufig fehlende Werte. Entscheidend ist, warum ein Protein fehlt. Ein nicht detektiertes Protein ist nicht automatisch biologisch abwesend.

Mögliche Ursachen sind:

1. Das Protein liegt unter der Nachweisgrenze.
2. Ein Peptid wurde stochastisch nicht für MS/MS ausgewählt.
3. Ein TMT-Kanal oder Plex besitzt geringere Sensitivität.
4. Das Protein wurde durch einen vorgeschalteten Filter entfernt.
5. Die markierte Form ist im späten Chase so schwach, dass sie nicht mehr zuverlässig quantifiziert wird.

Die publizierte Complete-case-Strategie hat einen wichtigen Vorteil: Sie erfindet keine Werte für vollständig fehlende Proteine. Sie kann jedoch die analysierte Proteinmenge in Richtung starker, stabiler und gut detektierbarer Signale selektieren.

Die Reanalyse sollte deshalb mindestens vier Missingness-Szenarien vergleichen:

1. Complete case: Reproduktion der publizierten Auswahl ohne Imputation.
2. Links-zensiertes Modell: Nichtdetektion wird als Information „unter Nachweisgrenze“ behandelt.
3. Selektionsmodell: Die Detektionswahrscheinlichkeit wird als Funktion der latenten Intensität modelliert.
4. MNAR-Sensitivität: Für fehlende Werte werden plausible Verschiebungen unterhalb der beobachteten Verteilung durchgespielt, ohne eine einzige Imputation als Wahrheit auszugeben.

Die Robustheit einer biologischen Aussage sollte daran gemessen werden, ob Richtung und Größenordnung des Alterseffekts unter diesen plausiblen Missingness-Annahmen erhalten bleiben.

Reproduzierbares Analyseprotokoll

Das folgende Protokoll trennt Reproduktion, Modellkritik und alternative Inferenz. Dadurch bleibt nachvollziehbar, an welcher Entscheidung ein Ergebnis entsteht.

Schritt 1: Daten und Code einfrieren

1. Lade den Datensatz PXD056701 aus ProteomeXchange/PRIDE und die zugehörigen Supplementtabellen der Publikation herunter.
2. Archiviere den öffentlich verfügbaren Analysecode der Autor:innen mit Commit-ID oder Release-Stand.
3. Berechne Prüfsummen für alle Roh- und Eingabedateien.
4. Speichere eine maschinenlesbare Datei mit Softwareversionen, Betriebssystem, Paketversionen und zufälligen Seeds.
5. Trenne unveränderte Rohdaten, abgeleitete Zwischenprodukte und finale Tabellen in getrennte Verzeichnisse.

Schritt 2: Sample Sheet rekonstruieren

Für jede Probe müssen mindestens folgende Variablen explizit vorliegen: Tier-ID, Alter, Hirnregion, Chase-Zeitpunkt, Hintergrundkontrolle, TMT-Plex, TMT-Kanal, technische Charge und gegebenenfalls Geschlecht sowie weitere verfügbare experimentelle Metadaten.

Ein eindeutiger Primärschlüssel verhindert, dass „Zeitpunkt“ versehentlich als technischer Kanal statt als biologisches Designmerkmal behandelt wird.

Schritt 3: Publizierte Pipeline exakt reproduzieren

Reproduziere zunächst die publizierten Filter, Hintergrundbehandlung, TP1-Normalisierung, Ein- und Zwei-Zustands-Fits, Modellauswahl und Halbwertszeitberechnung. Vergleiche die daraus resultierenden Tabellen und Abbildungen numerisch mit der Publikation.

Definiere vor der Reanalyse eine Reproduktions-Toleranz, zum Beispiel für Rundungsdifferenzen. Größere Abweichungen müssen erklärt werden, bevor alternative Modelle interpretiert werden.

Schritt 4: Messqualität prüfen

Erzeuge mindestens folgende Diagnostiken:

1. Intensitätsverteilungen pro TMT-Kanal und Plex.
2. Hintergrundsignal und Signal-zu-Hintergrund-Verhältnis.
3. Replikat-Streuung beziehungsweise CV nach Protein, Zeitpunkt, Region und Alter.
4. Missingness-Heatmap entlang Alter, Zeitpunkt und Plex.
5. Verteilung der Signaländerungen zwischen aufeinanderfolgenden Zeitpunkten.
6. Einfluss einzelner Tiere auf den Gruppenmittelwert.
7. Vergleich von Ergebnissen mit und ohne den publizierten Monotoniefilter.

Schritt 5: Hintergrund als Unsicherheit modellieren

Neben der Reproduktion der einfachen Hintergrundsubtraktion sollte eine hierarchische Variante gerechnet werden, in der der Hintergrund selbst als Zufallsvariable mit Unsicherheit eingeht. So wird vermieden, dass eine geschätzte Hintergrundzahl nach der Subtraktion fälschlich als fehlerfrei behandelt wird.

Ein mögliches Beobachtungsmodell auf Log-Skala lautet:

$\log Y_{ij}\sim 𝒩(\log ({\alpha }_j{L}_i+b_j),{\sigma }_j^2)$

Dabei können $b_j$, ${\alpha }_j$ und ${\sigma }_j$ Plex- oder kanalabhängig modelliert werden.

Schritt 6: Modellsuite fitten

Für jedes ausreichend informierte Protein werden mindestens Nullmodell, Exponentialmodell, publiziertes Zwei-Zustands-Modell, Weibull-Modell und ein Quellterm-Modell angepasst.

Ein biexponentielles Modell wird nur dann mitgeführt, wenn Parameterregularisierung oder informative Grenzen vorab festgelegt sind. Bei zu wenigen Daten darf eine hohe Flexibilität nicht mit mechanistischer Evidenz verwechselt werden.

Schritt 7: Unsicherheitsintervalle berechnen

Berichte für jede Halbwertszeit nicht nur einen Punktwert, sondern ein 95-Prozent-Unsicherheitsintervall. Zwei sinnvolle Wege sind:

1. Profil-Likelihood: Der interessierende Parameter wird über ein Gitter fixiert; alle übrigen Parameter werden jeweils neu optimiert.
2. Hierarchisch-bayesianische Inferenz: Liefert eine Posteriorverteilung, in der Messfehler, biologische Streuung und gegebenenfalls Hintergrundunsicherheit gemeinsam propagiert werden.

Zusätzlich sollte ein Bootstrap auf Tierebene durchgeführt werden. Einzelne Peptide oder TMT-Kanäle sind keine unabhängigen biologischen Tiere und dürfen deshalb nicht als künstliche Replikate verwendet werden.

Falls ein Profil oder Posterior für lange Halbwertszeiten keine endliche Obergrenze liefert, wird dies als Identifizierbarkeitsbefund dokumentiert.

Schritt 8: Praktische Identifizierbarkeit simulieren

Verwende die realen Messzeitpunkte und die empirisch beobachtete Replikat-Streuung. Simuliere beispielsweise wahre Halbwertszeiten von 2, 5, 10, 20, 40, 80 und 160 Tagen.

Für jede Bedingung:

1. Erzeuge 1.000 bis 5.000 synthetische Datensätze mit derselben Stichprobengröße wie im Originaldesign.
2. Fitte exakt dieselbe Modellsuite wie bei den realen Daten.
3. Berechne Bias, RMSE, Intervallbreite und 95-Prozent-Coverage.
4. Erfasse den Anteil der Simulationen mit endlicher oberer Halbwertszeitgrenze.
5. Erfasse, wie häufig das korrekte Kinetikmodell ausgewählt wird.
6. Wiederhole die Simulation bei unterschiedlichen Rauschniveaus und Missingness-Raten.

Eine mögliche vorab definierte Arbeitsregel für „praktisch identifizierbar“ wäre zum Beispiel: medianer relativer Bias kleiner als 20 Prozent, Coverage des nominellen 95-Prozent-Intervalls im vorab festgelegten akzeptablen Bereich und eine endliche obere Intervallgrenze in mindestens 90 Prozent der Simulationen. Diese Schwellen sind keine Naturkonstanten; sie müssen als Analyseentscheidung dokumentiert werden.

Schritt 9: Sensitivität gegenüber nicht exponentieller Kinetik testen

Wiederhole die Alterseffekte unter sämtlichen plausiblen Kinetikmodellen. Stelle für jedes Protein dar:

1. Ändert sich die Richtung des Alterseffekts?
2. Wie stark ändert sich die geschätzte Halbwertszeit?
3. Werden Halbwertszeiten unter komplexeren Modellen nicht identifizierbar?
4. Wird ein scheinbarer Alterseffekt kleiner, wenn ein Quellterm zugelassen wird?
5. Bleibt der Befund bestehen, wenn die ersten beziehungsweise letzten Chase-Zeitpunkte einzeln entfernt werden?

Ein Ergebnis gilt als modellrobuster als ein anderes, wenn seine qualitative Interpretation nicht von einer einzigen plausiblen Kinetikannahme abhängt.

Schritt 10: Sensitivität gegenüber fehlenden Proteinen testen

Führe Complete-case-, Zensierungs- und MNAR-Sensitivitätsanalysen parallel durch. Dokumentiere pro Protein, ob es:

1. in allen Szenarien dieselbe Effektrichtung zeigt,
2. nur unter Complete-case signifikant erscheint,
3. aufgrund starker Zensierung nicht identifizierbar ist,
4. oder unter plausiblen Missingness-Annahmen seine Interpretation wechselt.

Eine fehlende Messung darf nicht automatisch durch einen kleinen Zahlenwert ersetzt werden, wenn die Detektionsgrenze oder der Entstehungsprozess der Missingness unbekannt ist.

Schritt 11: Multiples Testen und Effektgrößen

Proteinweise Hypothesentests erzeugen viele gleichzeitige Vergleiche. Verwende daher eine dokumentierte Kontrolle der False Discovery Rate, beispielsweise Benjamini-Hochberg, und berichte zusätzlich Effektgrößen mit Intervallen.

Für Altersvergleiche ist beispielsweise der Log-Ratio der Halbwertszeiten oder ein Verhältnis von Netto-Hazards informativer als ein p-Wert allein.

Schritt 12: Ergebnisdatei mit Identifizierbarkeitsstatus erzeugen

Die finale maschinenlesbare Proteintabelle sollte mindestens enthalten:

Feld	Bedeutung
Protein-ID	Eindeutige Proteinreferenz
Region und Alter	Biologische Stratumzuordnung
Modell	Verwendetes Kinetikmodell
Halbwertszeit	Punktschätzung nur, wenn sinnvoll
95-Prozent-Intervall	Profil-Likelihood- oder Credible-Intervall
Identifizierbarkeit	identifizierbar, nur Untergrenze oder nicht identifizierbar
Missingness-Sensitivität	robust, sensitiv oder nicht prüfbar
Filter-Sensitivität	Ergebnis mit und ohne Monotoniefilter
Alterseffekt	Effektgröße mit Unsicherheitsintervall
Qualitätsflag	Hintergrund, CV, Zensierung, Modellmissfit

Sensitivitätsanalysen: Präregistrierte Matrix

Die Sensitivitätsanalyse sollte nicht nach Sichtung eines gewünschten Resultats zusammengestellt werden. Definiere vorab eine Matrix:

Dimension	Basismodell	Sensitivitätsvarianten	Zentrale Frage
Kinetik	Ein-Zustands-Zerfall	Zwei-Zustände, Weibull, Quellterm, Nullmodell	Ist der Alterseffekt formstabil?
Monotoniefilter	Publizierter Filter	Kein Filter, strengere und lockerere Schwelle	Konditioniert der Filter auf erwarteten Zerfall?
Hintergrund	Mittelwertsubtraktion	Hierarchisches Hintergrundmodell	Wie stark trägt Hintergrundunsicherheit zum Intervall bei?
Missingness	Complete case	Zensierung, Selektionsmodell, MNAR-Verschiebung	Werden nur gut detektierbare Proteine bevorzugt?
Messfehler	Empirische Streuung	Niedriges und hohes Rausch-Szenario	Welche Halbwertszeiten sind praktisch auflösbar?
Zeitfenster	Alle Chase-Punkte	Leave-one-timepoint-out	Hängt die Schätzung von einem einzelnen Zeitpunkt ab?
Modellauswahl	AIC der Originalanalyse	AICc, prädiktive Prüfung, Modellmittelung	Ist die Schlussfolgerung auswahlrobust?

Ein experimentelles Design, das konkurrierende Erklärungen trennt

Eine Reanalyse kann strukturell nicht identifizierbare Parameter nicht durch raffiniertere Optimierung „herausrechnen“. Wenn zwei Mechanismen dieselbe Beobachtung erzeugen, muss das Experiment neue Informationen liefern.

Ein geeignetes Folgeexperiment erweitert deshalb sowohl die Zeitachse als auch die Kompartimente und die orthogonalen Messungen.

Erweiterte Chase-Zeitpunkte

Ein mögliches Design umfasst terminale Messungen bei Tag 0, 1, 3, 7, 14, 28 und 42 nach Chase-Beginn. Falls besonders langlebige Proteine im Mittelpunkt stehen, kann ein noch späterer Punkt sinnvoll sein.

Frühe Zeitpunkte trennen schnelle und langsame Phasen. Späte Zeitpunkte begrenzen lange Halbwertszeiten. Die benötigte Tierzahl wird nicht pauschal aus dem Original übernommen, sondern mit dem oben beschriebenen Simulationsmodell für die gewünschte Intervallbreite beziehungsweise Power geplant.

Kurzer und langer Markierungspuls

Führe neben dem siebentägigen Puls einen kürzeren, technisch validierten Puls durch. Wenn die geschätzte Kinetik stark von der Pulslänge abhängt, spricht das gegen ein einfaches gedächtnisloses Ein-Zustands-Modell.

Ein kurzer Puls erzeugt einen engeren Altersbereich markierter Moleküle, liefert aber möglicherweise weniger Signal. Deshalb kann für Sentinel-Proteine zusätzlich gezielte Massenspektrometrie eingesetzt werden.

Freien AzF-Pool direkt messen

Miss AzF beziehungsweise relevante freie markierte Aminosäurepools in Plasma und Hirngewebe engmaschig nach Ende des Pulses, beispielsweise nach Stunden und in den ersten Chase-Tagen.

So kann $F(t)$ direkt eingeschränkt werden. Ein optionaler Chase mit Überschuss der natürlichen Aminosäure kann als zusätzliche experimentelle Perturbation dienen, sofern er zuvor biologisch und pharmakokinetisch validiert wird.

Synthese orthogonal messen

Ein terminaler kurzer Zweitmarkierungs-Assay kann die zum jeweiligen Zeitpunkt laufende Proteinsynthese unabhängig von der alten BONCAT-Markierung erfassen. Entscheidend ist, dass die zweite Messung analytisch von der ursprünglichen AzF-Population unterscheidbar ist.

Damit kann getestet werden, ob ein Altersunterschied im markierten Bestand durch veränderten Abbau oder durch veränderte laufende Synthese entsteht.

Sekretion und Clearance messen

Sammle zusätzlich zum Hirngewebe geeignete Ausgangskompartimente, zum Beispiel Liquor, Plasma sowie anatomisch begründete Hirngrenzgewebe. Quantifiziere nach Möglichkeit dieselben markierten Peptide in mehreren Kompartimenten.

Das erweitert das Modell von einer einzelnen Verlustkurve zu einer Massenbilanz. Eine Zunahme desselben markierten Proteins außerhalb des Ursprungsgewebes liefert Information über Export, die im Gewebesignal allein fehlt.

Zellzahl und Zellidentität messen

Quantifiziere die Zahl beziehungsweise Masse der tatsächlich markierten Neuronen pro Tier und Region. Kombiniere dazu den genetischen Reporter der Markierung mit validierter Histologie oder stereologischen Verfahren.

Analysiere außerdem neuronale und mikrogliale Fraktionen getrennt. Ein markiertes Protein, das von einem Neuron auf eine Mikrogliazelle übertragen wird, kann im gesamten Hirnregion-Homogenat erhalten bleiben, obwohl es das Ursprungsneuron verlassen hat. Zellfraktionierung hilft deshalb, intraregionalen Transfer von echtem Verlust aus der Region zu unterscheiden.

TMT- und Batch-Design verbessern

Verwende einen gepoolten Bridge-Standard über alle TMT-Plexe hinweg, randomisiere Altersgruppen und Zeitpunkte soweit technisch möglich über Kanäle und Plexe und dokumentiere Kanalzuweisungen vor der Messung.

So lassen sich biologische Zeittrends besser von Plex- oder Kanalunterschieden unterscheiden.

Vorhersagen konkurrierender Erklärungen

Ein gutes Experiment fragt nicht nur „welches Modell passt?“, sondern formuliert Beobachtungen, die Modelle unterschiedlich vorhersagen.

Erklärung	Erwartung im Hirngewebe	Zusätzliche Messung	Trennende Vorhersage
Intrazellulärer Abbau	Markiertes Protein nimmt ab	Extrazelluläre Kompartimente, Abbauweg-Marker	Gewebeverlust ohne entsprechenden vollständigen Exportanstieg
Sekretion oder Efflux	Markiertes Protein nimmt ab	Liquor, Plasma, Grenzgewebe	Zeitlich passender Anstieg derselben markierten Spezies außerhalb des Ursprungsgewebes
Zellverlust	Bulk-Signal nimmt ab	Zahl markierter Neuronen	Signalverlust skaliert mit Verlust markierter Zellen
Restmarkierung	Zerfall erscheint zu flach oder steigt zeitweise	Freier AzF-Pool	Persistierender freier Labelpool korreliert mit neu entstehendem markiertem Protein
Zwei-Zustands-Kinetik	Frühe schnelle und spätere langsame Phase	Kurzer versus langer Puls	Kinetik hängt systematisch von der Altersverteilung markierter Moleküle ab
Veränderte Synthese	Unterschiedlicher markierter Bestand	Orthogonaler Kurzzeit-Syntheseassay	Altersunterschied folgt aktueller Syntheserate statt Netto-Verlustparameter

Keine einzelne dieser Beobachtungen beweist für sich allein den Mechanismus. Die Stärke des Designs entsteht aus der gemeinsamen Massenbilanz mehrerer unabhängiger Messungen.

Entscheidungsregeln für die Reanalyse

Vor der Auswertung sollten Regeln festgelegt werden, die verhindern, dass nur gut passende Ergebnisse berichtet werden:

1. Eine Halbwertszeit wird nur als endlicher Punktwert interpretiert, wenn die simulationsbasierte praktische Identifizierbarkeit für diesen Wertebereich ausreichend ist.
2. Ein unbeschränktes oberes Unsicherheitsintervall wird als „nur Untergrenze identifizierbar“ berichtet.
3. Ein Protein mit stark modellabhängigem Alterseffekt wird als kinetisch sensitiv und nicht als robust verändert klassifiziert.
4. Ein Effekt, der nur nach dem Monotoniefilter auftritt, wird ausdrücklich als filtersensitiv gekennzeichnet.
5. Proteine mit dominanter Zensierung erhalten keine künstlich präzisen Halbwertszeiten.
6. Abbau und Export werden aus Gewebedaten allein nicht getrennt benannt, wenn kein zusätzliches Kompartiment gemessen wurde.
7. Gruppenunterschiede werden als Effektgrößen mit Unsicherheitsintervallen berichtet.
8. Alle Analysen werden mit fester Softwareumgebung, dokumentierten Seeds und maschinenlesbaren Ergebnisdateien ausgeführt.

Beispiel einer reproduzierbaren Projektstruktur

protein-turnover-reanalysis/
  README.md
  CITATION.cff
  environment/
    environment.yml
    renv.lock
  data_raw/
    checksums.sha256
  metadata/
    sample_sheet.tsv
    data_dictionary.md
  scripts/
    01_import_qc
    02_reproduce_published
    03_background_model
    04_fit_kinetics
    05_identifiability_simulation
    06_missingness_sensitivity
    07_age_effects
    08_figures_tables
  tests/
    synthetic_exponential
    synthetic_recycling
    synthetic_export
  results/
    protein_level_results.tsv
    model_diagnostics/
    sensitivity_summary.tsv
  report/
    reproducible_report

Die Tests mit synthetischen Daten sind wichtig. Ein Analyseprogramm sollte beispielsweise eine künstlich erzeugte reine Exponentialkurve korrekt wiedererkennen und zugleich zeigen, was passiert, wenn derselbe Code auf Daten mit Restmarkierung oder Export angewendet wird.

Interpretation: Was darf aus der Reanalyse geschlossen werden?

Die Reanalyse soll weder eine veröffentlichte biologische Interpretation automatisch bestätigen noch widerlegen. Sie soll sichtbar machen, welche Schlussfolgerung von welchen Annahmen abhängt.

Wenn ein Altersunterschied in den Netto-Verlustkurven unter verschiedenen Kinetik-, Missingness- und Hintergrundmodellen bestehen bleibt und innerhalb des Messfensters praktisch identifizierbar ist, ist das starke Evidenz für eine altersabhängige Änderung der beobachteten Turnover-Dynamik.

Die spezifischere Aussage „intrazellulärer Proteinabbau ist langsamer“ verlangt zusätzlich, dass konkurrierende Verlust- und Quellprozesse ausreichend ausgeschlossen oder separat gemessen werden. Genau deshalb ist die Trennung von Proteinabbau, Sekretion, Proteinsynthese, Zellverlust und Label-Recycling keine semantische Feinheit, sondern eine Frage der kausalen Interpretierbarkeit.

Das folgende Gespräch mit Tony Wyss-Coray, einem Mitautor der Guldner-Studie, bietet zusätzlichen Kontext zur Forschung über Alterungsprozesse im Gehirn. Es ersetzt nicht die methodische Prüfung der Originaldaten.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt ein fallendes BONCAT-Signal im Gewebe zunächst am sichersten? (Einen Nettoverlust markierter Proteinmasse aus dem gemessenen Pool) (!Ausschließlich lysosomalen Proteinabbau) (!Ausschließlich proteasomalen Proteinabbau) (!Eine direkte Messung der Transkriptionsrate)

Welche Größe ist bei einem Gewebemodell mit Abbau und Sekretion ohne weitere Kompartimentmessung direkt identifizierbar? (Die Summe aus Abbau- und Sekretionsrate) (!Nur die Abbaurate) (!Nur die Sekretionsrate) (!Die Translationsrate des unmarkierten Proteins)

Warum werden sehr lange Halbwertszeiten bei einem kurzen Messfenster praktisch schwer identifizierbar? (Weil sich ihr Signal im Messfenster nur wenig verändert) (!Weil lange Halbwertszeiten immer lineare Kinetik besitzen) (!Weil Massenspektrometrie nur kurze Proteine erkennt) (!Weil eine Halbwertszeit nicht aus Zeitreihen berechnet werden kann)

Was bedeutet ein unbeschränktes oberes Konfidenzintervall einer Halbwertszeit? (Der Datensatz begrenzt sehr lange Halbwertszeiten nicht ausreichend) (!Das Protein besitzt sicher eine unendliche Lebensdauer) (!Der erste Messwert muss gelöscht werden) (!Das Protein wurde sicher sekretiert)

Welche Analyse prüft am direktesten die praktische Identifizierbarkeit des Originaldesigns? (Simulation mit realen Zeitpunkten und empirischem Messrauschen) (!Sortierung der Proteine nach Namen) (!Erhöhung der Zahl der Dezimalstellen) (!Ausschluss aller langsamen Proteine)

Warum sollte der Monotoniefilter in einer Sensitivitätsanalyse variiert werden? (Weil er Zeitreihen aufgrund der erwarteten Zerfallsform selektieren kann) (!Weil monotone Reihen grundsätzlich biologisch falsch sind) (!Weil er TMT vollständig überflüssig macht) (!Weil er jede Form von Messrauschen entfernt)

Wie sollte ein nicht detektiertes Protein bei unbekannter Nachweisgrenze behandelt werden? (Nicht automatisch als echter Nullwert) (!Immer als Konzentration Null) (!Immer als maximaler Messwert) (!Immer als technisches Duplikat)

Welche Zusatzmessung hilft dabei, Zellverlust vom Proteinverlust pro Zelle zu trennen? (Quantifizierung der markierten Zellpopulation) (!Nur eine längere Proteinliste) (!Nur ein zusätzlicher p-Wert) (!Nur eine andere Farbcodierung der Heatmap)

Welche Beobachtung würde ein einfaches Restlabel-Modell besonders plausibel machen? (Persistierender freier Labelpool während des Chase) (!Ein perfekt verschwindender freier Labelpool unmittelbar nach dem Puls) (!Eine konstante Genomgröße) (!Eine höhere Zahl unmarkierter Peptide vor dem Puls)

Warum ist ein längerer Chase für langlebige Proteine nützlich? (Er erzeugt mehr beobachtbare Signaländerung und begrenzt langsame Raten besser) (!Er macht biologische Replikate unnötig) (!Er beseitigt jede Form nicht exponentieller Kinetik) (!Er macht Hintergrundkontrollen überflüssig)

Memory

Strukturelle Identifizierbarkeit	Eindeutigkeit von Parametern selbst bei idealen Daten
Praktische Identifizierbarkeit	Schätzbarkeit unter realem Zeitfenster und Messrauschen
Label-Recycling	Wiederverwendung markierter Aminosäuren
Sekretion	Verlust markierter Moleküle aus dem gemessenen Kompartiment
Zellverlust	Verringerung der Zahl markierter Zellen
Profil-Likelihood	Parameterweises Verfahren zur Bestimmung von Unsicherheitsgrenzen
Zensierung	Nichtdetektion unterhalb einer Nachweisgrenze
AICc	Informationskriterium mit Korrektur für kleine Stichproben

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Gewebeabnahme plus Anstieg im Liquor	Sekretion oder Efflux
Gewebeabnahme proportional zur Zahl markierter Neuronen	Zellverlust
Flache Kurve bei persistierendem freien AzF	Restmarkierung
Frühe steile und späte flache Phase	Nicht exponentielle Kinetik
Sehr breites Halbwertszeitintervall bei geringem Signalabfall	Praktische Nichtidentifizierbarkeit
Fehlender Messwert nahe der Nachweisgrenze	Links-Zensierung

Kreuzworträtsel

BONCAT	Wie heißt das bioorthogonale Verfahren zur Markierung neu synthetisierter Proteine in Kurzform?
Sekretion	Welcher Prozess transportiert Proteine aus dem untersuchten Kompartiment heraus?
Halbwertszeit	Wie heißt die Zeitspanne bis zum Verlust der Hälfte eines exponentiell zerfallenden Pools?
Recycling	Wie heißt die Wiederverwendung einer Markierung nach ihrer Freisetzung?
Zensierung	Wie nennt man Messwerte, von denen nur bekannt ist, dass sie unter einer Nachweisgrenze liegen?
Bootstrap	Welches Resampling-Verfahren kann biologische Unsicherheit über Tiere abschätzen?

Lückentext

Vervollständige den Text.

BONCAT markiert bevorzugt und erlaubt dadurch zeitaufgelöste Untersuchungen des Proteinumsatzes.

Ein fallendes Gewebesignal beschreibt zunächst einen des markierten Pools.

Wenn Abbau und Sekretion nur als gemeinsame Verlustrate im Modell auftreten, sind beide Prozesse einzeln .

Bei sehr kleinen Zerfallsraten kann ein kurzes Messfenster zu sehr breiten Intervallen der führen.

Ein noch vorhandener freier Marker während des Chase kann durch eine Zerfallskurve abflachen.

Proteine unterhalb der Nachweisgrenze sollten als potenziell statt automatisch als echte Nullwerte betrachtet werden.

Die Unsicherheit eines kinetischen Parameters kann unter anderem mit einer bestimmt werden.

Eine Simulation mit dem realen Zeitraster prüft die des Versuchsdesigns.

Ein zusätzlicher Liquor- oder Plasmapool kann helfen, von intrazellulärem Verlust zu unterscheiden.

Die Quantifizierung markierter Neuronen hilft, Proteinverlust vom zu trennen.

Offene Aufgaben

Leicht

1. Messmodell: Zeichne ein Flussdiagramm mit den Zuständen freies Label, markiertes intrazelluläres Protein, exportiertes Protein und verlorene Zellen. Markiere, welche Pfeile mit den Originaldaten direkt beobachtet werden.
2. Halbwertszeit: Simuliere per Tabellenkalkulation zwei exponentielle Kurven mit Halbwertszeiten von 10 und 80 Tagen über ein 14-Tage-Fenster. Beschreibe, warum die zweite Kurve schwerer zu schätzen ist.
3. Missing Data: Entwickle drei unterschiedliche biologische oder technische Erklärungen dafür, dass ein Protein am letzten Chase-Zeitpunkt nicht detektiert wird.
4. Reproduzierbarkeit: Erstelle ein Datenwörterbuch für ein Sample Sheet mit Tier-ID, Alter, Hirnregion, Zeitpunkt, TMT-Plex, Kanal und Kontrollstatus.

Standard

1. Sensitivitätsanalyse: Vergleiche an simulierten Daten ein exponentielles und ein Weibull-Modell. Zeige, wie sich die geschätzte Halbwertszeit bei unterschiedlichen Formparametern verändert.
2. Profil-Likelihood: Implementiere für eine simulierte Zerfallskurve ein Profil für die Rate k und transformiere dessen Grenzen anschließend in Halbwertszeitgrenzen.
3. Zensierte Daten: Konstruiere ein Beispiel, bei dem Complete-case-Auswertung einen anderen Mittelwert ergibt als ein Modell, das eine Nachweisgrenze berücksichtigt.
4. Forschungsdesign: Plane ein Folgeexperiment mit mindestens sechs Chase-Zeitpunkten und begründe jeden Zeitpunkt im Hinblick auf schnelle und langsame Proteinkinetik.

Schwer

1. Kompartimentmodell: Formuliere und fitte ein Zwei-Kompartiment-Modell für Hirngewebe und Liquor. Untersuche per Simulation, unter welchen Bedingungen Abbau und Export getrennt identifizierbar werden.
2. Bayesianische Statistik: Entwickle ein hierarchisches Modell, das Tierstreuung, Hintergrundunsicherheit und proteinweise Raten gemeinsam berücksichtigt. Führe posterior-predictive checks durch.
3. Modellvergleich: Vergleiche Ein-Zustands-, Zwei-Zustands-, Weibull- und Quellterm-Modell unter demselben simulierten Datensatz. Diskutiere, wann AICc, prädiktive Validierung und Modellmittelung zu unterschiedlichen Entscheidungen führen.
4. Präregistrierung: Verfasse eine vollständige Präregistrierung für die Reanalyse mit primärem Modell, Sensitivitätsmatrix, Missingness-Strategie, Ausschlussregeln, Unsicherheitsintervallen und Regeln für nicht identifizierbare Halbwertszeiten.

Lernkontrolle

1. Kausale Interpretation: Ein Protein zeigt in alten Mäusen eine langsamere Abnahme des markierten Hirngewebesignals. Entwickle mindestens drei konkurrierende Mechanismen, die dieselbe Kurve erzeugen könnten, und nenne jeweils eine trennende Zusatzmessung.
2. Identifizierbarkeit: Zwei Fits liefern Halbwertszeiten von 35 und 120 Tagen, beide über einen 14-Tage-Chase. Erkläre ohne Rückgriff auf einen p-Wert, welche simulationsbasierten Informationen Du benötigst, bevor Du die beiden Werte biologisch vergleichst.
3. Nicht exponentielle Kinetik: Ein Protein fällt in den ersten drei Tagen stark und danach kaum noch. Vergleiche die Interpretationen durch Zwei-Zustands-Kinetik, Label-Recycling und Messartefakt. Entwirf eine Messung, die diese Erklärungen unterscheidbarer macht.
4. Missing Data: In alten Tieren fehlen besonders viele späte Zeitpunkte für schwach detektierte Proteine. Analysiere, wie Complete-case-Selektion einen scheinbaren Alterseffekt auf Halbwertszeiten erzeugen könnte.
5. Experimentelles Design: Begründe, warum mehr biologische Replikate allein das strukturelle Problem der Trennung von Abbau und Sekretion nicht lösen. Beschreibe, welche neue Beobachtungsdimension benötigt wird.
6. Reproduzierbarkeit: Du erhältst eine reanalysierte Tabelle mit Halbwertszeiten, aber keinen Code, keine Softwareversionen und keine Identifizierbarkeitsflags. Entwickle Kriterien, nach denen Du entscheiden würdest, ob die Ergebnisse für eine Metaanalyse verwendbar sind.

Lernnachweis

Für einen überzeugenden Lernnachweis solltest Du zeigen, dass Du nicht nur Formeln anwenden, sondern Messmodell, Statistik und experimentelle Biologie miteinander verbinden kannst.

1. Du kannst erklären, warum ein BONCAT-Pulse-Chase-Signal einen markierten Bestand und nicht direkt eine isolierte Abbaurate misst.
2. Du kannst Synthese, Abbau, Sekretion, Zellverlust und Label-Recycling in einer Massenbilanz darstellen.
3. Du kannst strukturelle von praktischer Identifizierbarkeit unterscheiden.
4. Du kannst begründen, warum lange Halbwertszeiten bei kurzen Messfenstern asymmetrische oder unbeschränkte Unsicherheitsintervalle erzeugen.
5. Du kannst exponentielle und nicht exponentielle Kinetikmodelle vergleichen und Überparametrisierung erkennen.
6. Du kannst Complete-case-, Zensierungs- und MNAR-Annahmen für fehlende Proteine kritisch vergleichen.
7. Du kannst ein reproduzierbares Analyseprotokoll mit Versionskontrolle, Prüfsummen, festen Seeds und simulationsbasierten Tests beschreiben.
8. Du kannst Unsicherheitsintervalle auf Protein- und Alterseffektebene interpretieren.
9. Du kannst ein Folgeexperiment entwerfen, das konkurrierende biologische Erklärungen durch zusätzliche Kompartimente und orthogonale Messungen trennt.
10. Du kannst zwischen einem robusten Netto-Turnover-Befund und einer spezifischen mechanistischen Aussage über intrazellulären Abbau unterscheiden.

Verknüpfte Lernbereiche

Proteinumsatz Proteomik Massenspektrometrie BONCAT Proteinsynthese Proteinabbau Sekretion Halbwertszeit Kinetik Identifizierbarkeit Sensitivitätsanalyse Bayesianische Statistik Missing Data Reproduzierbarkeit Altern