Protein homeostasis, proteostasis, is essential for healthy cell functioning and is dysregulated in many diseases. Metabolic labeling with heavy water followed by liquid chromatography coupled online to mass spectrometry (LC-MS) is a powerful high-throughput technique to study proteome dynamics in vivo. Longer labeling duration and dense timepoint sampling (TPS) of tissues provide accurate proteome dynamics estimations. However, the experiments are expensive, and they require animal housing and care, as well as labeling with stable isotopes. Often, the animals are sacrificed at selected timepoints to collect tissues. Therefore, it is necessary to optimize TPS for a given number of sampling points and labeling duration and target a specific tissue of study. Currently, such techniques are missing in proteomics. Here, we report on a formula-based stochastic simulation strategy for TPS for in vivo studies with heavy water metabolic labeling and LC-MS. We model the rate constant (lognormal), measurement error (Laplace), peptide length (gamma), relative abundance of the monoisotopic peak (beta regression), and the number of exchangeable hydrogens (gamma regression). The parameters of the distributions are determined using the corresponding empirical probability density functions from a large-scale dataset of murine heart proteome. The models are used in the simulations of the rate constant to minimize the root-mean-square error (rmse). The rmse for different TPSs shows structured patterns. They are analyzed to elucidate common features in the patterns.

中文翻译：

---

重水代谢标记和 LC-MS 体内蛋白质组动力学的时间点选择策略。

蛋白质稳态，蛋白质稳态，对健康的细胞功能至关重要，并且在许多疾病中失调。用重水进行代谢标记，然后进行液相色谱与质谱联用 (LC-MS) 是一种强大的高通量技术，可用于研究体内蛋白质组动力学。更长的标记持续时间和组织的密集时间点采样 (TPS) 提供了准确的蛋白质组动力学估计。然而，这些实验成本高昂，需要动物饲养和照料，以及用稳定同位素进行标记。通常，在选定的时间点处死动物以收集组织。因此，有必要针对给定数量的采样点和标记持续时间优化 TPS，并针对特定的研究组织。目前，蛋白质组学中缺少此类技术。这里，我们报告了一种基于公式的 TPS 随机模拟策略，用于重水代谢标记和 LC-MS 的体内研究。我们对速率常数（对数正态）、测量误差（拉普拉斯）、肽长度（γ）、单同位素峰的相对丰度（β 回归）和可交换氢的数量（γ 回归）进行建模。分布的参数是使用来自大规模鼠心脏蛋白质组数据集的相应经验概率密度函数确定的。这些模型用于模拟速率常数以最小化均方根误差 (rmse)。不同 TPS 的 rmse 显示结构化模式。对它们进行分析以阐明模式中的共同特征。我们对速率常数（对数正态）、测量误差（拉普拉斯）、肽长度（伽马）、单同位素峰的相对丰度（β回归）和可交换氢的数量（伽马回归）进行建模。分布的参数是使用来自大规模鼠心脏蛋白质组数据集的相应经验概率密度函数确定的。这些模型用于模拟速率常数以最小化均方根误差 (rmse)。不同 TPS 的 rmse 显示结构化模式。对它们进行分析以阐明模式中的共同特征。我们对速率常数（对数正态）、测量误差（拉普拉斯）、肽长度（γ）、单同位素峰的相对丰度（β 回归）和可交换氢的数量（γ 回归）进行建模。分布的参数是使用来自大规模鼠心脏蛋白质组数据集的相应经验概率密度函数确定的。这些模型用于模拟速率常数以最小化均方根误差 (rmse)。不同 TPS 的 rmse 显示结构化模式。对它们进行分析以阐明模式中的共同特征。分布的参数是使用来自大规模鼠心脏蛋白质组数据集的相应经验概率密度函数确定的。这些模型用于模拟速率常数以最小化均方根误差 (rmse)。不同 TPS 的 rmse 显示结构化模式。对它们进行分析以阐明模式中的共同特征。分布的参数是使用来自大规模鼠心脏蛋白质组数据集的相应经验概率密度函数确定的。这些模型用于模拟速率常数以最小化均方根误差 (rmse)。不同 TPS 的 rmse 显示结构化模式。对它们进行分析以阐明模式中的共同特征。