HighAltitudeOmicsDB, eine integrierte Ressource für High

Apr 03, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 9307 (2023) Diesen Artikel zitieren

Details zu den Metriken

Millionen von Menschen auf der ganzen Welt besuchen, leben oder arbeiten in der hypoxischen Umgebung, die in großen Höhen herrscht, und es ist wichtig, die biomolekularen Reaktionen auf diesen Stress zu verstehen. Dies würde dazu beitragen, Strategien zur Eindämmung von Höhenkrankheiten zu entwickeln. Trotz einer Reihe von Studien, die sich über mehr als 100 Jahre erstrecken, sind die komplexen Mechanismen, die die Akklimatisierung an Hypoxie steuern, immer noch weitgehend unbekannt. Um potenzielle diagnostische, therapeutische und prädiktive Marker für HA-Stress zu identifizieren, ist es wichtig, diese Studien umfassend zu vergleichen und zu analysieren. Um dieses Ziel zu erreichen, ist HighAltitudeOmicsDB eine einzigartige Ressource, die eine umfassende, kuratierte, benutzerfreundliche und detaillierte Zusammenstellung verschiedener Gene/Proteine ​​bietet, deren Zusammenhang mit verschiedenen HA-Erkrankungen, ihren Protein-Protein-Interaktionen (PPIs) und Genen experimentell validiert wurde Semantische Ähnlichkeiten der Ontologie (GO). Für jeden Datenbankeintrag speichert HighAltitudeOmicsDB zusätzlich den Grad der Regulierung (Aufwärts-/Abwärtsregulierung), die Faltungsänderung, die Studienkontrollgruppe, die Dauer und Höhe der Exposition, das Expressionsgewebe, den Quellorganismus, den Grad der Hypoxie, die Methode der experimentellen Validierung und den Ort /Studienland, ethnische Zugehörigkeit, geografischer Standort usw. Die Datenbank sammelt auch Informationen über Krankheits- und Arzneimittelassoziationen, gewebespezifische Expressionsniveaus, GO- und KEGG-Signalwegassoziationen. Die Webressource ist eine einzigartige Serverplattform, die interaktive PPI-Netzwerke und semantische GO-Ähnlichkeitsmatrizen zwischen den Interaktoren bietet. Diese einzigartigen Funktionen helfen dabei, mechanistische Einblicke in die Krankheitspathologie zu bieten. Daher ist HighAltitudeOmicsDB eine einzigartige Plattform für Forscher, die in diesem Bereich arbeiten, um HA-assoziierte Gene/Proteine, ihre PPI-Netzwerke und semantischen GO-Ähnlichkeiten zu erforschen, abzurufen, zu vergleichen und zu analysieren. Die Datenbank ist unter http://www.altitudeomicsdb.in verfügbar.

Ein großer Prozentsatz der Weltbevölkerung lebt in Hochgebirgsgebieten und viele besuchen auch die Berge über 2500 m für Outdoor-Aktivitäten wie Trekking, Klettern und andere Abenteuersportarten. Ein schneller Aufstieg in große Höhen führt zu einem sofortigen Abfall des Luftdrucks. Die Sauerstoffkonzentration bleibt gleich, die Anzahl der Sauerstoffmoleküle pro Atemzug nimmt jedoch ab; Beispielsweise sinkt in einer Höhe von 3600 m der Luftdruck auf 483 mmHg und < 40 % der Sauerstoffmoleküle stehen zum Atmen zur Verfügung. Da die für die Aktivität benötigte Sauerstoffmenge gleich bleibt, muss sich der Körper auf weniger Sauerstoff oder hypobare Hypoxie einstellen1 . Einige Tieflandbewohner gewöhnen sich durch einen als Akklimatisierung bekannten Prozess an die verringerte Sauerstoffverfügbarkeit in großer Höhe, andere leiden jedoch an verschiedenen Erkrankungen wie der akuten Bergkrankheit (AMS), dem Höhenhirnödem (HACE) und dem Höhenlungenödem (HAPE). usw.2,3. Daher gewinnt die Forschung zur Identifizierung der frühen Anzeichen dieser physiologischen Veränderungen zunehmend an Bedeutung. Ein kürzlich durchgeführter Vergleich der Proteinprofile von Tieflandbewohnern mit ihrer Induktion in großer Höhe hat während der HA-Akklimatisierung unterschiedlich exprimierte Proteine ​​wie Serumproteine ​​Irisin, Myostatin, akute Vorläuferproteine ​​(APPs), Apolipoprotein A1 usw. identifiziert4. Diese Proteine ​​sind mit energiebezogenen Prozessen, der Regeneration der Skelettmuskulatur, Entzündungsreaktionen und anderen charakteristischen molekularen Reaktionen in großer Höhe verbunden5,6. Von nun an wurden diese Proteine ​​als Biomarker vorgeschlagen, um eine frühe Akklimatisierung von Individuen in großen Höhen vorherzusagen. Die Suche nach neuen Proteinbiomarkern in Tieflandproben und nativen Proben mittels Peptidprofilierung ist zu einer wichtigen Methode zur Identifizierung potenzieller diagnostischer oder therapeutischer Marker geworden3,6. Die Identifizierung der unterschiedlich exprimierten Proteine, die eine Schlüsselrolle im Akklimatisierungsprozess spielen, hat dazu beigetragen, die Mechanismen aufzudecken, die für die Akklimatisierung bei HA verantwortlich sind. Eine genomweite Studie hat Plasmaproteine ​​entdeckt, die das Potenzial haben, die vaskuläre Homöostase während HAPE vorherzusagen7. In ähnlicher Weise zeigte eine transkriptomische Studie die Modulation mehrerer Signalwege und Proteine, die in der frühen Phase der Exposition gegenüber hypobarer Hypoxie beteiligt sind, wie VIM, CORO1A, CD37, STMN1 usw.8. Obwohl es umfangreiche Literatur gibt, die über „Omics“-Profile von Menschen und Tieren berichtet, die großer Höhe ausgesetzt sind; Die eigentliche Herausforderung besteht weiterhin darin, all diese Studien zu integrieren, um ein ganzheitliches Verständnis der sich ständig weiterentwickelnden Mechanismen zu erhalten, die an funktionellen Anpassungen von Zellen, Geweben und Organen sowie des gesamten Organismus in der hypoxischen Umgebung in großer Höhe beteiligt sind. Aus diesem Grund haben wir HighAltitudeOmicsDB entwickelt, in dem all diese verstreuten Daten gesammelt, kuratiert, analysiert und visualisiert werden. Die Datenbank enthält derzeit ca. 1300 Proteinassoziationen, die manuell aus von Experten begutachteten Veröffentlichungen kuratiert wurden und deren Regulierung durch HA-Stress experimentell nachgewiesen wurde. Die Datenbank speichert die Assoziation jedes Proteins mit HA-Stress im Hinblick auf den Grad der Regulierung (Hoch-/Herunterregulierung), Faltenveränderung, die Studienkontrollgruppe, Dauer und Höhe der Exposition, Expressionsgewebe, Quellorganismus und Grad der Hypoxie, Methode der experimentellen Validierung, Ort/Land der Studie, ethnische Zugehörigkeit, geografische Lage usw. Die Datenbank gibt auch Auskunft darüber, ob experimentell nachgewiesen wurde, dass das Protein als HA-Biomarker assoziiert ist, und bietet einen Link zur entsprechenden Veröffentlichung. Die Datenbank ist auch mit anderen Datenbanken wie dem offiziellen Symbol des Proteins, Proteinaliasen, der chromosomalen Position, der Länge, der Uniprot-ID, der Nummer der Enzyme Commission (EC), der Protein Family Information (Pfam) ID, der Protein DataBank (PDB) ID usw. vernetzt ID der Integrative Protein Signature Database (InterPro), ID der Single Nucleotide Polymorphism Database (dbSNP). Die Datenbank präsentiert auch funktionelle Informationen des Proteins wie GO-Annotation und Kyoto Encyclopedia of Genes and Genomes (KEGG) Pathway Association; ihr Zusammenhang mit anderen Krankheiten und Medikamenten. Die Datenbank stellt außerdem Protein-Protein-Netzwerkinteraktionen jedes Proteins mit seinen 50 wichtigsten Interaktionspartnern bereit. Das Netzwerk kann interaktiv auf dem Webserver visualisiert werden. Darüber hinaus berechnet HighAltitudeOmicsDB die semantische Ähnlichkeit von Genen mit diesen 50 Interaktoren, um funktionell verwandte Proteine ​​zu identifizieren. In der Datenbank werden zusätzlich die mit dem Gen interagierenden Transkriptionsfaktoren und deren Regulationstyp (Repression, Aktivierung, distal, proximal etc.) gespeichert. Darüber hinaus werden auch die miRNAs aufgeführt, die mit dem Gen interagieren. Somit ist HighAltitudeOmicsDB eine einzigartige integrierte Plattform zum Erforschen, Abrufen, Vergleichen und Bewerten von Genen/Proteinen, die mit HA-Stress assoziiert sind, ihrer PPI-Netzwerke sowie semantischer Ähnlichkeit und Regulierung durch Transkriptionsfaktoren und miRNAs. Dies wird dazu beitragen, die zugrunde liegende Wechselwirkung zwischen Proteinen aufzudecken, die zur Akklimatisierung an HA erforderlich ist, und auch mechanistische Einblicke in diese komplexen molekularen Reaktionen liefern. Es wird daher bei der Identifizierung neuartiger und robuster molekularer Biomarker-Kandidaten hilfreich sein, die bei der Entwicklung neuer diagnostischer, prognostischer und therapeutischer Strategien für Erkrankungen in großer Höhe weiterhelfen können.

Eine Kombination verschiedener Schlüsselwörter wie „Höhenlage“, „Protein“, „Gen“, „Omics“, „Hypobarische Hypoxie“ und „Anoxie“ wurde für die umfangreiche Literatursuche in PubMed und Google-Suchmaschinen verwendet9. Die Veröffentlichungen wurden manuell untersucht, um unterschiedlich exprimierte Gene/Proteine ​​zu identifizieren. Nach der Beseitigung von Redundanz und Duplizität wurde aus diesen Veröffentlichungen eine umfassende Liste von Proteinen zusammengestellt, bei denen festgestellt wurde, dass sie bei HA differentiell exprimiert (DE) sind. Für jedes DE-Protein wurden auch die zugehörigen Informationen abgerufen, darunter: „Name des Proteins“, „Offizielles Proteinsymbol“, „Aliasnamen“, homologe „Human Entrez ID“, „Quellorganismus“, „Expressionsgewebe“, „Hypoxiegrad“, „Höhe“, „Dauer des Experiments“ , „Regulierungsniveau“, „Fold Change“, „Experimentdetails“, „geografischer Standort“, „ethnische Zugehörigkeit“, „Kontrollgruppe“, „Als Biomarker zugeordnet“. Bei Studien, bei denen der Ausgangsorganismus kein Mensch war, wurde das homologe menschliche Gen/Protein mithilfe von Protein BLAST anhand der Uniprot-Datenbank identifiziert. Das homologe menschliche Protein mit der höchsten Sequenzähnlichkeit und dem niedrigsten E-Score wurde ausgewählt. Als Mindestschwelle wurde eine paarweise Sequenzähnlichkeit von > 80 % angesehen. Auf diese Weise wäre selbst bei Experimenten, die an verschiedenen Versuchsorganismen (Mäuse/Ratten/Yak/Vogel/Kröte/Schaf) durchgeführt wurden, die menschliche Äquivalenz/Übersetzung einfacher. Die Sammlung wurde im Dateiformat JavaScript Object Notation (JSON) gespeichert und in MongoDB10 gespeichert .

Für jedes Protein zusätzliche Details wie offizielles Proteinsymbol, Proteinaliase, chromosomale Position, Länge, Uniprot ID11, Enzyme Commission (EC) Number12, Protein Family Information (Pfam) ID13, Protein Databank (PDB) ID14, The Integrative Protein Signature Database (InterPro ) Id15, Single Nucleotide Polymorphism Database (dbSNP) Id16 wurde gesammelt, um die Vernetzung mit anderen Datenbanken zu erleichtern. Für jedes Protein wurden seine GO-Funktionsanreicherung und Signalwegannotation von der Datenbank für Annotation, Visualisierung und integrierte Entdeckung (DAVID) bzw. dem KEGG-Mapper-Tool durchgeführt 17, 18.

Für jedes Protein in der Datenbank wurden die 50 wichtigsten Proteininteraktoren vom Webserver Search Tool for Retrieval of Interacting Proteins (STRING) identifiziert19. Die Stringenz für die Suche wurde auf dem höchsten Niveau (0,9) gehalten und der Filter wurde so platziert, dass maximal 50 assoziierte Proteine ​​als direkter Interaktor des abgefragten Proteins zugelassen wurden. Die STRING-Datenbank baut das Protein-Protein-Interaktionsnetzwerk auf der Grundlage von sieben Informationsquellen auf, z. B. Nachbarschaft auf dem Chromosom, Genfusion, phylogenetisches gemeinsames Vorkommen, Homologie, Co-Expression, experimentell bestimmte Interaktion und datenbankannotiertes automatisiertes Textmining. Die Interaktionsdatei wurde aus der STRING-Datenbank heruntergeladen und im JSON-Format gespeichert.

Um die Datenbank informativer zu machen, wurden auch mehrere andere Attribute hinzugefügt; Protein-Krankheits-Assoziationen wurden aus DisGeNET20 ermittelt; Protein-Wirkstoff-Beziehung aus der DGIdb 3.0-Datenbank21. Alle diese Attribute wurden auch in JSON-Dateien gespeichert.

Annotationsbasierte semantische Vergleiche zwischen Genen auf der Grundlage der Gene Ontology (GO) sind ein innovativer Ansatz zur quantitativen Bewertung der funktionalen Ähnlichkeiten zwischen ihnen. Sie wurden in verschiedenen bioinformatischen Analysen umfassend eingesetzt22,23. Je höher der semantische Ähnlichkeitswert, desto größer ist die Wahrscheinlichkeit, dass zwei Gene/Proteine ​​wahrscheinlich eine ähnliche molekulare Funktion haben oder an einem gemeinsamen biologischen Prozess beteiligt sind22. Ein niedriger semantischer Ähnlichkeitswert zeigt zwei Gene, die unterschiedliche molekulare Funktionen verleihen. Um die semantische Ähnlichkeit zu identifizieren, wurden jedes Protein in der HighAltitudeOmicsDB und seine 50 am häufigsten direkt interagierenden Proteine ​​dem GOSemSim R-Algorithmus23 vorgelegt. GOSemSim ist ein R-Paket zur Berechnung der semantischen Ähnlichkeit zwischen GO-Begriffen, Sätzen von GO-Begriffen, Genprodukten und Genclustern23 . Die Ergebnisse wurden in einer 51 × 51-Matrix dargestellt. Alle diese Matrixdateien wurden auch im JSON-Dateiformat gespeichert.

Alle erstellten JSON-Dateien wurden in die MongoDB-Datenbanksammlung übertragen und mit Pymongo auf den Server localhost hochgeladen. Serverabfragebefehle wurden im MongoDB-Kompass vorgenommen. Die Vis.js-Bibliothek wurde speziell zur Darstellung des Protein-Protein-Interaktionsnetzwerks24 verwendet. Die in allen Tabellen vorhandenen IDs wie Human Entrez ID, Uniprot ID, Protein Official Symbol, EC Number, PDB_ID, InterPro ID, Pfam ID, dbSNP ID und Referenz-PMIDs sind mit den entsprechenden Datenbanken verlinkt, um zusätzliche Details bereitzustellen. Die Weboberfläche verfügt außerdem über eine „Kontakt“-Seite, die ein Datenübermittlungsformular für die Übermittlung neuer Daten durch den Benutzer enthält. Es würde regelmäßig überprüft und der Datenbank hinzugefügt.

HighAltitudeOmicsDB ist eine benutzerfreundliche, frei zugängliche Ressource, für die keine vorherige Registrierung erforderlich ist. Es handelt sich um eine umfassende, nicht redundante, manuell kuratierte Ressource von Genen/Proteinen, deren Expressionsniveaus experimentell bestätigt wurden, um mit Höhenstress in Zusammenhang zu stehen. Die Datenbank kann mit den Optionen „Durchsuchen“ und „Suchen“ durchsucht werden.

Die Option „Durchsuchen“ ermöglicht dem Benutzer die einfache Auswahl einzelner oder mehrerer Gene/Proteine ​​aus der Datenbank aus einem Pulldown-Menü. Alternativ kann der Benutzer eine Datei mit den offiziellen Proteinsymbolen hochladen oder die offiziellen Proteinsymbole eingeben. Durch Klicken auf die nebenstehende Schaltfläche „Durchsuchen“ wird eine Verbindung zu einem Tabellenformat hergestellt, das einen Hyperlink zur einzelnen Proteinseite enthält. Wenn die Benutzerliste Proteinsymbole enthält, die nicht in der Datenbank enthalten sind, wird auch eine separate Tabelle bereitgestellt, in der diese hervorgehoben werden (Abb. 1).

Die Startseite und die Suchoption des Webservers.

Die Option „Suchen“ der Datenbank bietet mehrere Optionen zum Durchsuchen der Datenbank basierend auf den Forschungsinteressen der Benutzer. Die Suche nach Chromosomen ermöglicht es, auf jede menschliche Chromosomennummer zu klicken und die Proteine ​​von HighAltitudeOmicsDB zu identifizieren, die auf dem entsprechenden Chromosom liegen. Die Suche nach „Dauer des Experiments“ ermöglicht die Identifizierung der Liste der Gene/Proteine, deren Expression sich in Stunden/Tagen/Wochen/Monaten/Jahren ändert. Die Suche nach „Ausdrucksgewebe“ öffnet ein Pulldown-Menü, aus dem der Benutzer das gewünschte Gewebe auswählen kann (Abb. 2). Die Suche nach „Ethnizität“, „Quellorganismus“, „Regulierungsniveau“, „geografischer Standort“ öffnet ebenfalls ein Pulldown-Menü, aus dem der Benutzer die Ethnizität, den Quellorganismus, die Hoch-/Herunterregulierung bzw. den Standort auswählen kann. und erhalten Sie eine tabellarische Liste der Gene/Proteine, die mit der jeweiligen Detailinformationsseite des Proteins verlinkt ist (wie in den folgenden Abschnitten erläutert).

Screenshot des Moduls „Suchen“.

Zusätzlich führt die Option „Als Biomarker zugeordnet“ zu einer tabellarischen Liste von Proteinen, die als molekulare Biomarker für HA-Stress vorgeschlagen/validiert wurden. Die Proteinsymbole sind mit der jeweiligen Proteinseite verlinkt, die einen Link zu PubMed bereitstellt, das das Protein als Biomarker validiert. Zusätzlich zum Abrufen von DE-Proteinen in höhenabhängiger Weise steht ein benutzerinteraktiver Schieberegler (im Bereich von 2200 bis 9800 m) zur Verfügung. Der Benutzer kann die Schiebereglerwerte einstellen und Gene/Proteine ​​abrufen, die einem definierten Höhenbereich zugeordnet sind. Dies wurde mit (AND/OR)-Optionen mit der Zeit der HA-Exposition und dem Regulierungsgrad (Up/Down) kombiniert. Der Benutzer kann so möglicherweise Kombinationsabfragen wie hoch-/herunterregulierte Proteine, ausgedrückt in Tagen, in einem Höhenbereich von 2200–4500 m durchführen. Die Liste dieser Proteine ​​kann zur weiteren Analyse im Excel-/PDF-Format heruntergeladen werden.

Der Webserver ermöglicht auch die Untersuchung der Proteine ​​von HighAltitudeOmicsDB, die mit einem bestimmten Transkriptionsfaktor (TF), miRNA, Krankheit, Medikament, GO oder KEGG-Signalweg verbunden sind (Abb. 3).

Screenshot des „Suchmoduls“.

Einzelheiten zum Protein und seiner Assoziation mit HA finden Sie auf der Detailinformationsseite, die in sechs Abschnitte unterteilt werden kann (Abb. 4).

Wissensbasis

Details zur Protein-Informationsseite.

Dies ist der erste Abschnitt der Datenbank, der allgemeine Informationen über das Protein enthält, wie offizielles Proteinsymbol, Aliase, chromosomale Position, Länge, Uniprot-ID, EC-Nummer, Pfam-ID, PDB-ID, InterPro-ID, dbSNP-ID, die eine Vernetzung ermöglichen zusätzliche Datenbanken einfach und schnell. Die Uniprot-ID ist mit der Uniprot-Datenbank verknüpft.

Interaktionen und Semantik

Die 50 wichtigsten direkten Proteininteraktoren jedes Proteins werden anhand der im Abschnitt „Methodik“ beschriebenen Grenzwerte aus der STRING-Datenbank identifiziert. Das Netzwerk wird in einem benutzerinteraktiven Format mit Übersetzungs-, Vergrößerungs- und Verkleinerungsfunktionen angezeigt. Die Knoten sind farblich gekennzeichnet (gelb: das untersuchte Protein; blau: die Top-50-Interaktoren). Auch die Kanten sind farblich gekennzeichnet (gelb: Interaktionen zwischen dem untersuchten Protein und seinen 50 direkten Interaktoren; blau: Interaktionen zwischen den Top-50-Interaktoren). Das Netzwerk kann problemlos im .sif-Format heruntergeladen werden, das in Netzwerkvisualisierungssoftware wie Cytoscape, Bina usw. leicht visualisiert werden kann. Die Liste der Interaktionen zwischen ihnen und ihre kombinierte Bewertung werden problemlos in einem Tabellenformat bereitgestellt, das in Excel/ heruntergeladen werden kann. PDF-Format. Die Tabelle ist außerdem mit einer „Such“-Option ausgestattet, um das gewünschte Protein einfach zu suchen.

Der paarweise semantische GO-Ähnlichkeitswert wurde zwischen dem untersuchten Protein und seinen 50 am häufigsten interagierenden Proteinen berechnet, wie im Abschnitt zur Methodik beschrieben. Die Ergebnisse werden als 51 × 51-Matrix visualisiert. Der GO-Semanticsimilarity-Score > 0,8 wird in der Matrix rot hervorgehoben. Wenn ein Protein unter den Top-50-Interaktoren auch Teil von HighAltitudeOmicsDB ist, wird das Proteinsymbol in der Matrix mit der jeweiligen detaillierten Proteininformationsseite in der Datenbank verlinkt. Dies hilft bei der Identifizierung etwaiger funktioneller Knotenpunkte von Proteinen, die mit HA assoziiert wären Stress und könnte somit Aufschluss über die molekularen Grundlagen der Akklimatisierung/Anpassung geben.

Assoziation mit großer Höhe

Für jedes Protein wird sein Zusammenhang mit HA-Stress in tabellarischer Form zusammengestellt. Die Details werden als menschliches Proteinsymbol, Quellorganismus (Organismus, in dem die Studie durchgeführt wurde), Expressionsgewebe, Grad der Hypoxie, Höhe, Dauer des Experiments, Grad der Expression, Faltungsveränderung, Experimentdetails, geografische Lage, Ethnizität, Kontrollgruppenexpression, Kontrollgruppendetails und Referenzpapier. Die Kontrollgruppe wird auf der Grundlage des Studienplans definiert, z. B. hatten einige Studien Tiefländer als Kontrollgruppen und unterschiedlich exprimierte Proteine ​​wurden bei HA-Eingeborenen oder Tieflandbewohnern, zu denen sie aufsteigen, identifiziert -HA. In einigen anderen Studien wurden HA-Eingeborene als Kontrollen betrachtet und unterschiedlich exprimierte Proteine ​​wurden in Tieflandbewohnern identifiziert. Daher variiert die Kontrollgruppe je nach Studie und wurde in der Datenbank deutlich erwähnt. Die Assoziation des Proteins als Biomarker wird ebenfalls zusammengestellt, d. h. wenn das Protein jemals experimentell als Biomarker validiert wurde, wird der Eintrag in der Spalte angezeigt sei „Ja“, andernfalls „Nein“. Ein Hyperlink zur jeweiligen Publikation, der diesen Zusammenhang belegt, wird ebenfalls gerne bereitgestellt. Die Expressionsänderungen eines Proteins in unterschiedlichen Dauern, Geweben und Höhenbedingungen können in diesem Format leicht erforscht, verglichen und analysiert werden.

Assoziation mit TFs und miRNAs

Transkriptionsfaktoren und miRNAs sind die beiden wichtigsten transkriptionellen und posttranskriptionellen regulatorischen Moleküle, die die Expression von Genen feinabstimmen. Daher wird die Liste der TF und miRNAs, von denen bekannt ist, dass sie das untersuchte Protein regulieren, in tabellarischer Form dargestellt. Die TF-Assoziationstabelle listet das TF-Symbol (mit Hyperlink zur Genecards-Datenbank), seine Entrez-ID, das Symbol und die Entrez-ID des untersuchten Proteins, die Art der Assoziation, den Link zur Veröffentlichung, die diese Assoziation ermittelt hat, und die Datenbank auf, aus der die Assoziation extrahiert wird. Die Tabellen können im Excel-/CSV-Format heruntergeladen werden und verfügen über eine Suchoption zum Durchsuchen der Tabelle mit einem benutzerdefinierten Schlüsselwort (Abb. 5).

Screenshot der Protein-Informationsseite.

In ähnlicher Weise listet die miRNA-Gen-Assoziationstabelle die miRNA-miRTarBase-ID, miRNA, das Symbol und die Entrez-ID des untersuchten Proteins, das Experiment (Luciferase-Reporter-Assay/Western-Blot/PCR/Immunhistochemie usw.), den Trägertyp und den Link zur jeweiligen Veröffentlichung auf ( Hyperlink zu PubMed), der diesen Zusammenhang festgestellt hat. Die Tabellen können im Excel/CSV-Format heruntergeladen werden. Die Tabelle verfügt außerdem über eine Suchoption, mit der Sie die Tabelle mit einem benutzerdefinierten Schlüsselwort durchsuchen können.

Anmerkungen zur Genontologie und zum KEGG-Signalweg

Die Anmerkungen zur Genontologie werden in tabellarischer Form dargestellt. Die GO-ID, der GO-Begriff und der GO-Typ werden aufgelistet. Die GO-ID ist auch mit QuickGO verknüpft, das detaillierte GO-Anmerkungen bereitstellt25. Die Anmerkungen zum KEGG-Pfad werden ebenfalls zusammengestellt und als KEGG-ID und KEGG-Begriff dargestellt. Die KEGG-ID ist mit der KEGG-Datenbank verknüpft, die zusätzliche Details zu den jeweiligen Pfaden bereitstellt.

Beide Tabellen können im Excel-/CSV-Format heruntergeladen werden und verfügen über eine integrierte Suchoption für die Stichwortsuche.

Assoziation von Proteinen mit anderen Krankheiten und Medikamenten

Dieser Abschnitt enthält Einzelheiten zum Zusammenhang zwischen Medikamenten und Krankheiten. Die Informationen werden in Form von Tabellen dargestellt, die jeweils zu den einzelnen Kategorien gehören (Abb. 4). Die erste Tabelle zeigt Informationen über das Gen-Target und das zugehörige Medikament. Diese Art von Informationen kann den Benutzern dabei helfen, jedes auf Genen/Proteinen basierende Drug-Targeting-Experiment zu leiten/zu entwerfen. Diese beiden Tabellen sind mit der Option „Suchen“ ausgestattet, die bei der einfachen Suche nach benutzerdefinierten Begriffen in langen Tabellen hilft. Die Tabellen können auch im Excel-/PDF-Format heruntergeladen werden.

HighAltitudeOmicsDB enthält ~ 1300 Assoziationen von 820 Proteinen, die in großen Höhen unterschiedlich exprimiert wurden. Eine detaillierte Überprüfung der Datenbank zeigt, dass alle Proteine ​​aus experimentellen Studien in 25 Geweben stammen (Abb. 6a). Diese Gewebe stammen von 7 Tierarten, nämlich Mensch, Schaf, Ratte, Maus, Yak, Vogel, Kröte (Abb. 6b). Menschen als Ursprungsorganismen können anhand ihrer ethnischen Zugehörigkeit weiter charakterisiert werden, z. B. Amerikaner, Tibeter, Han-Chinesen, Italiener, Nepalesen, Ladakh und Deutsche. Die Expositionszeit hängt vom Ausgangsorganismus ab und liegt bei der einheimischen Bevölkerung zwischen 0,5 Stunden und 110 Tagen.

HighAltitudeOmicsDB-Statistiken (a) Verteilung von Proteinen in großer Höhe nach ihrem Expressionsgewebe. (b) Verteilung von Proteinen in großer Höhe, die in verschiedenen Quellorganismen untersucht wurden.

Die Datenbank enthält zwei Arten von Funktionsanmerkungen: GO- und KEGG-Signalweganreicherung. Die GO-Anreicherung zeigt „Stoffwechselprozess“ (GO: 0,042,572), „Anordnung des äußeren Dyneinarms“ (GO: 0,036,158) und „Reaktion auf reaktive Sauerstoffspezies“ (GO: 0,000,302) als die wichtigsten biologischen Prozesse (Abb. 7a). Der „Stoffwechselprozess“ ist aufgrund des Anpassungsmechanismus in großer Höhe stark mit Gewichtsverlust verbunden26. In großer Höhe wird durch die Induktion einer hypobaren Hypoxie das HIF-Protein aktiviert, das Gene weiter reguliert, die für die Vermittlung von Veränderungen im Zellstoffwechsel/in der Zellenergie verantwortlich sind, die zu Gewichtsverlust aufgrund eines erhöhten Energieverbrauchs führen27. Der zweite biologische Prozess „Outer Dynein Arm Assembly“ ist der Prozess für Axonemal-Assemblierungen. Die Zunahme der Länge und Dichte axonemartiger Zilien aufgrund von Hypoxie wurde mit dem Zelltod in Verbindung gebracht28. Schließlich spiegelt die „Reaktion auf reaktive Sauerstoffspezies“ den Redoxstatus der Zelle wider, und Störungen des Redoxstatus aufgrund von hypobarer Hypoxie können zu oxidativem Stress und DNA-Schäden führen3. Ebenso Begriffe wie „Fructose-Bisphosphat-Aldolase-Aktivität“, „Oxidoreduktase-Aktivität“, „Wirkung auf gepaarte Donoren“, „Einbau oder Reduktion von molekularem Sauerstoff“, „Oxidoreduktase-Aktivität“, „Wirkung auf Peroxid als Akzeptor“, „Elektronentransferaktivität“. ' und 'ATP-Bindung' usw. erweisen sich als die wichtigsten molekularen Funktionen der in der Datenbank vorhandenen Proteine ​​(Abb. 7b). Alle molekularen Funktionen sind direkte Schritte oder Rückkopplungsmechanismen, die mit der oxidativen Phosphorylierung (aerobe Atmung) verbunden sind. Jüngste klinische Studien haben gezeigt, dass Hochlandbewohner einen hohen Anteil an Mitochondrien in ihrem Gastrocnemius-Muskelgewebe haben, was die Anpassung an eine Umgebung mit hohem Energieverbrauch erleichtert29. „COP9-Signalosom“ und „Actomyosin“ sind die beiden zellulären Komponentenbegriffe, die in den in der Datenbank vorhandenen unterschiedlich exprimierten Proteinsätzen am stärksten angereichert sind (Abb. 7c). Das COP9-Signalosom ist Teil des proteasomalen Ubiquitin-Abbaukomplexes, der die Expression von pVHL, HIF-1α und anderen auf Sauerstoff reagierenden Transkriptionsfaktoren steuert, die während hypobarer Hypoxie reguliert werden30. Während Actomyosin ein Zytoskelett des Aktin-Myosin-Faserkomplexes ist, der in verschiedenen Muskelgeweben wie der Skelettmuskulatur vorhanden ist. Die Muskelfaserzusammensetzung sowohl erwachsener Tiere als auch Menschen verändert sich bei chronischer Exposition in großer Höhe deutlich.

Funktionelle Charakterisierung differentiell exprimierter Hochgebirgsproteine ​​(a) GO: biologische Prozesse. (b) GO: molekulare Funktionen (c) GO: Zellkompartiment und (d) Anreicherung des KEGG-Signalwegs.

Die Anreicherung des KEGG-Signalwegs zeigt „hsa00910: Stickstoffstoffwechsel“ als den am stärksten angereicherten Signalweg im differenziell exprimierten HA-Proteinsatz (Abb. 7d). Der Stickstoffstoffwechsel ist ein Prozess der Produktion von Stickoxiden, und es wurde festgestellt, dass diese Oxide wie Lachgas, Nitrit und Nitrat eine wichtige Rolle bei der Anpassungsreaktion an große Höhen spielen31. Die allgemeine funktionelle Annotation ergab den Zusammenhang der in der Datenbank vorhandenen Proteine ​​mit hypobaren hypoxischen Stressreaktionen, was die Vollständigkeit und Spezifität der Datenbank unterstützt.

Beim Aufstieg in große Höhen ist der Körper extremen Umweltbelastungen wie Hypoxie, Hypoxämie, Kältestress usw. ausgesetzt, die zu vielen physiologischen Veränderungen im Körper führen, um sich an HA-Stress zu gewöhnen. Unausgeglichene physiologische Veränderungen können zu Anomalien oder Krankheiten wie Höhenlungenödem (HAPE), Höhenhirnödem (HACE), Herz-Kreislauf-Erkrankungen (CVD), Unterkühlung, Muskelatrophie und verschiedenen Arten von Stoffwechselstörungen führen, die lebensbedrohlich sein können. Um diagnostische, prognostische oder therapeutische Ziele zu identifizieren, müssen die verschiedenen Biomoleküle, die bei HA-Stress reguliert werden, ganzheitlich untersucht werden. Um dieses Ziel zu erreichen, stellt HighAltitudeOmicsDB eine umfassende Referenzressource für Gen-/Proteinexpressionsstudien im Zusammenhang mit Höhenbedingungen bereit. Es enthält Informationen zu etwa 1300 Proteinassoziationen für die Metaanalyse, die nicht nur Höhenkrankheiten, sondern auch ähnliche extreme Bedingungen wie Kältestress berücksichtigen. Die Suche hilft dem Benutzer, die Daten sowohl nach eindeutigen Merkmalen als auch nach Kombinationen von Merkmalen zu filtern. Der Benutzer kann Merkmale auswählen, die direkt oder indirekt mit der Höhenlage verbunden sind. Die Kombinationssuche hilft, bestimmte Datensätze zu extrahieren und die Stochastik der Daten zu reduzieren. All diese Merkmale erhöhen die Chancen einer umfassenden systematischen Überprüfung und Metaanalyse. Die Webressource ist nicht nur ein HA-spezifisches Protein-Repository; Es kann einzigartige Analysen durchführen, die beim Vergleich und der Analyse genomischer/transkriptomischer/proteomischer Daten helfen können. Die Datenbank stellt PPI-Netzwerkinteraktionen jedes Proteins mit seinen 50 wichtigsten Interaktionspartnern bereit. Diese PPI-Netzwerke haben sich als nützlich erwiesen, um die Funktionsmechanismen für Anomalien bei HA-Erkrankungen aufzuklären32,33,34. HighAltitudeOmicsDB könnte die Identifizierung der Biomarker-Entdeckung durch gensemantische Ähnlichkeitsmatrixanalyse beschleunigen. Literaturberichte belegen, dass semantische Ähnlichkeit ein wichtiges Instrument zur Identifizierung von Biomarkern ist, insbesondere in großen Höhen35.

HighAltitudeOmicsDB ist eine interaktive Ressource und eine Serverplattform, die Wissen über Gene/Proteine ​​im Zusammenhang mit HA-Stress erfasst und organisiert. Es bietet einen umfassenden Überblick über verschiedene HA-bezogene Studien; bietet die Annotation und Visualisierung von PPI-Netzwerken und semantischen Ähnlichkeiten im Zusammenhang mit Genen/Proteinen in der Datenbank. HighAltitudeOmicsDB ist das erste Repository umfassender, manuell kuratierter Ressourcen differentiell exprimierter HA-Gene/Proteine, die mithilfe von Text Mining und umfangreicher Literaturrecherche abgerufen wurden. Die Informationen ermöglichen es dem Benutzer, Biomoleküle basierend auf verschiedenen Abfragefiltern in der Datenbank zu durchsuchen, z. B. nach Expressionsgrad; Dauer des Experiments; Höhe und Ursprungsorganismus. HighAltitudeOmicsDB umfasst auch proteinassoziierte Informationen wie TF- und miRNA-Regulierung, Protein-Krankheits-Assoziation, Protein-Arzneimittel-Assoziation. Daher ist die Informationsbasis von HighAltitudeOmicsDB sehr umfangreich und erleichtert die Verwendung dieser Informationen zum Entwerfen gezielter Experimente zur Validierung. HighAltitudeOmicsDB identifiziert außerdem PPIs für jedes Protein in der Datenbank und berechnet die semantische GO-Ähnlichkeit zwischen ihnen. Diese einzigartige Funktion hilft dabei, spezifische Knotenpunkte interagierender Proteine ​​im Zusammenhang mit HA-Stress zu identifizieren. Die Analyse von PPI-Netzwerken und Ähnlichkeiten würde es dem Benutzer ermöglichen, währenddessen mechanistische Erkenntnisse abzuleiten HA-Stress. Der Webserver bietet auch eine funktionelle Korrelation von Proteinen. Die funktionelle Korrelation umfasst sowohl die GO-Anreicherung als auch die KEGG-Signalweganreicherung. Die proteinbezogenen Daten können zur weiteren Analyse aus der Datenbank im Excel-/PDF-Format heruntergeladen werden.

Die Daten in der Datenbank (dargestellt als Tabellen) können einfach im Excel-/CSV-Format auf den Webserver heruntergeladen werden. Alle weiteren Datensätze, die während der aktuellen Studie verwendet und/oder analysiert werden, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Simonson, TS Höhenanpassung: Ein Blick durch verschiedene Linsen. Hohe Alt. Med. Biol. 16(2), 125–137 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Basnyat, B. & Murdoch, DR Höhenkrankheit. Lancet 361 (9373), 1967–1974 (2003).

Artikel PubMed Google Scholar

Ahmad, Y. et al. Ein Einblick in die Veränderungen im menschlichen Plasmaproteom bei der Anpassung an hypobare Hypoxie. PLoS ONE 8(7), e67548 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Wang, C. et al. Erforschung von Akute-Phase-Proteinen und entzündlichen Zytokinen in der Frühdiagnose der akuten Höhenkrankheit. Hohe Alt. Med. Biol. 19(2), 170–177 (2018).

Artikel CAS PubMed Google Scholar

Sliwicka, E. et al. Serum-Irisin- und Myostatinspiegel nach 2 Wochen Höhenklettern. PLoS ONE 12(7), e0181259 (2017).

Artikel PubMed PubMed Central Google Scholar

Ahmad, Y. et al. Identifizierung von Haptoglobin und Apolipoprotein AI als Biomarker für Lungenödeme in großer Höhe. Funktion Integr. Genom. 11(3), 407–417 (2011).

Artikel CAS Google Scholar

Sharma, M., Singh, SB & Sarkar, S. Genomweite Expressionsanalysen deuten auf eine Störung der Gefäßhomöostase während eines Lungenödems in großer Höhe hin. PLoS ONE 9(1), e85902 (2014).

Artikel PubMed PubMed Central Google Scholar

Gaur, P. et al. Zeitliche Transkriptomanalysen deuten auf die Modulation mehrerer Signalwege und Gennetzwerke hin, die an der Zell-Zell-Interaktion in der frühen Phase der Exposition in großer Höhe beteiligt sind. PLoS ONE 15(9), e0238117 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Fiorini, N., Lipman, DJ & Lu, Z. Auf dem Weg zu PubMed 2.0. Elife 6, e28801 (2017).

Artikel PubMed PubMed Central Google Scholar

Fejes, AP, Jones, MJ & Kobor, MS DaVIE: Datenbank zur Visualisierung und Integration epigenetischer Daten. Vordere Ginsterkatze. 5, 325 (2014).

Artikel PubMed PubMed Central Google Scholar

Pundir, S. et al. UniProt-Tools. Curr. Protokoll. Bioinform. 53, 1 29 1-1 29 15 (2016).

Artikel Google Scholar

Bairoch, A. Die ENZYME-Datenbank im Jahr 2000. Nucleic Acids Res. 28(1), 304–305 (2000).

Artikel CAS PubMed PubMed Central Google Scholar

Finn, RD et al. Pfam: Die Proteinfamilien-Datenbank. Nucleic Acids Res 42 (Datenbankproblem), D222–D230 (2014).

Artikel CAS PubMed Google Scholar

Berman, HM et al. Die Proteindatenbank. Nucleic Acids Res 28(1), 235–242 (2000).

Artikel CAS PubMed PubMed Central Google Scholar

Hunter, S. et al. InterPro: Die integrative Proteinsignaturdatenbank. Nucleic Acids Res 37 (Datenbankproblem), D211–D215 (2009).

Artikel CAS PubMed Google Scholar

Smigielski, EM et al. dbSNP: Eine Datenbank mit Einzelnukleotidpolymorphismen. Nucleic Acids Res 28(1), 352–355 (2000).

Artikel CAS PubMed PubMed Central Google Scholar

Dennis, G. Jr. et al. DAVID: Datenbank für Annotation, Visualisierung und integrierte Entdeckung. Genome Biol 4(5), P3 (2003).

Artikel PubMed Google Scholar

Kanehisa, M. et al. KEGG: Neue Perspektiven auf Genome, Signalwege, Krankheiten und Medikamente. Nucleic Acids Res 45(D1), D353–D361 (2017).

Artikel CAS PubMed Google Scholar

von Mering, C. et al. STRING: Eine Datenbank vorhergesagter funktioneller Zusammenhänge zwischen Proteinen. Nukleinsäuren Res. 31(1), 258–261 (2003).

Artikel Google Scholar

Pinero, J. et al. DisGeNET: Eine umfassende Plattform, die Informationen zu krankheitsassoziierten Genen und Varianten des Menschen integriert. Nucleic Acids Res 45(D1), D833–D839 (2017).

Artikel CAS PubMed Google Scholar

Cotto, KC et al. DGIdb 3.0: Eine Neugestaltung und Erweiterung der Arzneimittel-Gen-Interaktionsdatenbank. Nucleic Acids Res 46(D1), D1068–D1073 (2018).

Artikel CAS PubMed Google Scholar

Pesquita, C. Semantische Ähnlichkeit in der Genontologie. Methoden Mol. Biol. 1446, 161–173 (2017).

Artikel CAS PubMed Google Scholar

Yu, G. et al. GOSemSim: Ein R-Paket zur Messung der semantischen Ähnlichkeit zwischen GO-Begriffen und Genprodukten. Bioinformatik 26(7), 976–978 (2010).

Artikel CAS PubMed Google Scholar

Rosenthal, SB et al. Interaktive Netzwerkvisualisierung in Jupyter-Notebooks: visJS2jupyter. Bioinformatik 34(1), 126–128 (2018).

Artikel MathSciNet CAS PubMed Google Scholar

Binns, D. et al. QuickGO: Ein webbasiertes Tool für die Gen-Ontologie-Suche. Bioinformatik 25(22), 3045–3046 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Moore, LG Messung der Höhenanpassung. J. Appl. Physiol. (1985) 123(5), 1371–1385 (2017).

Artikel CAS PubMed Google Scholar

Palmer, BF & Clegg, DJ Aufstieg in die Höhe als Methode zur Gewichtsabnahme: Das Gute und das Schlechte der Aktivierung des durch Hypoxie induzierbaren Faktors. Fettleibigkeit (Silver Spring) 22(2), 311–317 (2014).

Artikel PubMed Google Scholar

Brown, JM et al. Hypoxie reguliert den Zusammenbau von Zilien in Tetrahymena-Suppressoren, denen ein Gen für die intraflagelläre Transportuntereinheit fehlt. Mol. Biol. Zelle 14(8), 3192–3207 (2003).

Artikel CAS PubMed PubMed Central Google Scholar

Scott, GR, Guo, KH & Dawson, NJ Die mitochondriale Basis für die adaptive Variation der aeroben Leistung bei Hirschmäusen in großen Höhen. Integr. Komp. Biol. 58(3), 506–518 (2018).

Artikel CAS PubMed Google Scholar

Mikus, P. & Zundel, W. Umgang mit Hypoxie. Semin. Zellentwickler. Biol. 16(4–5), 462–473 (2005).

Artikel CAS PubMed PubMed Central Google Scholar

Levett, DZ et al. Die Rolle von Stickoxiden bei der menschlichen Anpassung an Hypoxie. Wissenschaft. Rep. 1, 109 (2011).

Artikel PubMed PubMed Central Google Scholar

Lopez-Cortes, A. et al. Klinische, genomische und Netzwerkanalysen eines hochgelegenen ecuadorianischen Ureinwohneramerikaners mit angeborener Schmerzunempfindlichkeit und Anhidrose: Ein Fallbericht. BMC Med. Genom. 13(1), 113 (2020).

Artikel CAS Google Scholar

Zhao, Y. et al. Vergleichende proteomische Analyse von tibetischen Schweinespermien in großen und niedrigen Höhen. BMC-Genom. 20(1), 569 (2019).

Artikel Google Scholar

Xin, J. et al. Chromatin-Zugänglichkeitslandschaft und regulatorisches Netzwerk zur Anpassung an Hypoxie in großer Höhe. Nat. Komm. 11(1), 4928 (2020).

Artikel MathSciNet CAS PubMed PubMed Central Google Scholar

Ahmad, Y. et al. Das Proteom der hypobarisch induzierten hypoxischen Lunge: Erkenntnisse aus der zeitlichen proteomischen Profilierung für die Entdeckung von Biomarkern. Wissenschaft. Rep. 5, 10681 (2015).

Artikel PubMed PubMed Central Google Scholar

Referenzen herunterladen

Wir danken Frau Shikha Jain, Frau Ruchi, Frau Jaspreet, Frau Avinksha Kathpalia und Frau Radhika für ihre Hilfe bei der Datenerfassung.

Defence Institute of Physiology and Allied Sciences, Lucknow Road, Timarpur, Neu-Delhi, 110054, Indien

Apoorv Gupta, Sandhya Pathak, Rajeev Varshney, Yasmin Ahmad und Pankaj Khurana

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AG, PK und RV konzipierten die Idee. AG und PK haben die Daten kuratiert. PK hat die Funktionalitäten entworfen und die Netzwerke kuratiert. SP kuratierte die semantischen Ähnlichkeiten. AG und PK haben das Manuskript geschrieben und überarbeitet.

Korrespondenz mit Pankaj Khurana.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Gupta, A., Pathak, S., Varshney, R. et al. HighAltitudeOmicsDB, eine integrierte Ressource für mit großer Höhe assoziierte Gene und Proteine, Netzwerke und semantische Ähnlichkeiten. Sci Rep 13, 9307 (2023). https://doi.org/10.1038/s41598-023-35792-3

Zitat herunterladen

Eingegangen: 23. Juli 2021

Angenommen: 24. Mai 2023

Veröffentlicht: 08. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-35792-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.