Waiting
Login-Verarbeitung ...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biochemistry
Click here for the English version

Biochemistry

Ein integrierter Workflow zur Identifizierung und Quantifizierung von FDR-Kontroll-basierten, ungezielten Metabolomen

Published: September 20, 2022 doi: 10.3791/63625
Automatic Translation
*1, *1, 2, 1,2
1Key Laboratory of Functional Protein Research of Guangdong Higher Education Institutes and MOE Key Laboratory of Tumor Molecular Biology, Institute of Life and Health Engineering, College of Life Science and Technology, Jinan University, 2Chi-Biotech Co. Ltd.
* These authors contributed equally

Summary

Wir haben einen ungezielten metabolomischen Workflow entwickelt, der XY-Meta und metaX zusammen integriert. In diesem Protokoll zeigten wir, wie XY-Meta verwendet werden kann, um eine Lockvogel-Spektralbibliothek aus der Open-Access-Spektrenreferenz zu generieren, und führten dann eine FDR-Kontrolle durch und verwendeten das metaX, um die Metaboliten nach der Identifizierung der Metabolomik-Spektren zu quantifizieren.

Abstract

Ungezielte Metabolomik-Techniken sind in den letzten Jahren weit verbreitet. Der schnell steigende Durchsatz und die Anzahl der Proben erzeugen jedoch eine enorme Menge an Spektren, was die Qualitätskontrolle der Massenspektrometriespektren vor Herausforderungen stellt. Um die Fehlalarme zu reduzieren, ist eine Qualitätskontrolle der False Discovery Rate (FDR) erforderlich. Vor kurzem haben wir eine Software zur FDR-Kontrolle der ungezielten Identifizierung von Metabolomen entwickelt, die auf einer Target-Decoy-Strategie namens XY-Meta basiert. Hier demonstrierten wir eine komplette Analyse-Pipeline, die XY-Meta und metaX miteinander integriert. Dieses Protokoll zeigt, wie XY-meta verwendet wird, um eine Lockvogeldatenbank aus einer vorhandenen Referenzdatenbank zu generieren und eine FDR-Kontrolle mit der Target-Decoy-Strategie für die Identifizierung von Metabolomen in großem Maßstab in einem Open-Access-Datensatz durchzuführen. Die Differentialanalyse und die Annotation der Metaboliten wurden nach dem Ausführen von metaX für den Nachweis und die Quantifizierung von Metabolitenspitzen durchgeführt. Um mehr Forschern zu helfen, haben wir auch eine benutzerfreundliche Cloud-basierte Analyseplattform für diese Analysen entwickelt, ohne dass bioinformatische Kenntnisse oder Computersprachen erforderlich sind.

Introduction

Metaboliten spielen eine wichtige Rolle in biologischen Prozessen. Metaboliten sind oft Regulatoren verschiedener Prozesse wie Energieübertragung, Hormonregulation, Regulation von Neurotransmittern, zellulärer Kommunikation und posttranslationalen Proteinmodifikationen usw. 1,2,3,4. Untargeted metabolomics bietet einen globalen Überblick über zahlreiche Metaboliten 5,6. Mit den Fortschritten in der Massenspektrometrie und Chromatographietechnologie nimmt der Durchsatz von Metabolom-MS/MS-Spektren in den letzten Jahren rapide zu 7,8,9,10,11. Um Metaboliten aus diesen riesigen Datensätzen zu identifizieren, wurden verschiedene Annotationssoftware11 entwickelt, wie MZmine12, MS-FINDER 13, CFM-ID 14,MetFrag 15 undSLAW 16. Diese Identifikationen enthalten jedoch oft viele Fehlalarme. Zu den Gründen gehören: (1) Die MS/MS-Spektren enthalten zufälliges Rauschen, das die Spitzenübereinstimmung irreführen kann. (2) Isomere und Unterschiede in den Fragmentierungsenergien verursachen mehrere Spektrenfingerabdrücke und erhöhen so das Volumen der Referenzbibliothek. (3) Die Qualität der Präsenzbibliotheken ist unterschiedlich. Ein geeigneter Standard, um eine gute Referenzspektralbibliothek zu erstellen, ist erforderlich. Daher ist eine systematische FDR-Kontrolle (False Discovery Rate) für ungezielte Metabolomik für die funktionelle Metabolomforschungunerlässlich 7,8,9,17.

Sowohl der empirische Bayes-Ansatz als auch die Target-Decoy-Strategie befassten sich mit dem FDR-Kontrollproblem im Allgemeinen. Kerstin Scheubert et al. zeigten, dass die Target-Decoy-Strategie auf der Lockvogeldatenbank, die aus der fragmentierten baumbasierten Methode generiert wurde, die beste Methode für die FDR-Kontrolle9 ist. Xusheng Wang et al. entwarfen eine Methode zur Lockvogelerzeugung, die auf der Oktettregel in der Chemie basiert und die Genauigkeit der FDR-Schätzung17 verbessert. Die Spektralbibliothek zur Generierung einer Lockvogeldatenbank wurde für eine bessere Leistungdemonstriert 18. Hier haben wir die auf der Spektralbibliothek basierende Methode verbessert und eine Software namens XY-Meta19 entwickelt, die die Genauigkeit der FDR-Schätzung weiter verbessern kann. Es verwendet die vorhandene Referenzspektralbibliothek, um eine Lockvogelbibliothek für die FDR-Kontrolle im Rahmen des Target-Decoy-Schemas zu generieren. XY-Meta unterstützt seine eigenen Spektrenanpassungs- und Kosinus-Ähnlichkeitsalgorithmen. Es ermöglicht konventionelle Such- und iterative Suchmodi. Im Schritt der FDR-Bewertung unterstützt es den Target-Decoy-Verkettungsmodus und den getrennten Modus. Für mehr Flexibilität akzeptiert XY-Meta externe Lockvogelbibliotheken.

Der Spitzennachweis und die Quantifizierung von Metaboliten ist ebenfalls ein wichtiger Schritt der ungezielten Metabolomanalyse. Die Peak-Detektion ist die Hauptmethode zur Identifizierung von Metabolomen. Im Allgemeinen wurde die Genauigkeit der Spitzendetektion von Metaboliten durch mehrere Faktoren beeinflusst, wie z. B. Rauschsignale der Massenspektrometrie, geringe Häufigkeit von Metaboliten, Verunreinigungen und Abbauprodukten von Metaboliten20. Wenn die Anzahl der Proben von zu groß ist oder die flüssige Chromatographiesäule in Experimenten mit ungezieltem Metabolom ersetzt wurde, können bemerkenswerte Chargeneffekte auftreten, was eine große Herausforderung für die Metabolomquantifizierung darstellt21,22,23. Derzeit können Software wie XCMS 24, Workflow4Metabolomic25, iMet-Q26 und metaX19 Spitzenerkennung und Quantifizierung von ungezielten Metabolomen durchführen, aber wir schlagen vor, dass die Pipeline von metaX vollständiger und einfacher zu bedienen ist. Hier demonstrieren wir den Prozess der Identifizierung und FDR-Kontrolle für einen öffentlich zugänglichen Datensatz msv000084112 mit XY-Meta und den Spitzennachweis und die Quantifizierung von Metaboliten mit metaX. Dieser Workflow erfordert nur zwei Gruppen, und jede Gruppe benötigt mindestens zwei Beispiele. MS/MS-Spektrendaten werden unabhängig von der Massenspektrometerplattform, dem Ionisationsmodus, dem Ladungsmodus und dem Probentyp benötigt und können die probenbasierte Normalisierung und die peakbasierte Normalisierung unterstützen. Nach diesem Beispiel können Forscher die Identifizierung und Quantifizierung von Metabolomics auf einfache Weise durchführen. Die Verwendung dieser Pipeline erfordert R-Programmierfunktionen. Um dem Forscher ohne Programmierkenntnisse zu helfen, haben wir auch eine Cloud-Analyseplattform für die Metabolomik-Analyse entwickelt. Wir haben diese Cloud-Analyseplattform in Supplementary Material 5 demonstriert.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Metabolomics-Datensätze für die Analyse vorbereiten

HINWEIS: In dieser Demonstration verwenden wir Metabolomik-Datensätze ohne QC-Stichprobe. Daten für Fall- und Kontrollgruppen werden benötigt. Zur Demonstration verwenden wir einen öffentlichen Datensatz in der GNPS-Datenbank27.

  1. Rufen Sie die Webseite https://gnps.ucsd.edu/ProteoSAFe/static/gnps-splash.jsp auf. Klicken Sie auf Datasets durchsuchen.
  2. Suchen Sie das Schlüsselwort "msv000084112" in der Spalte Titel . Klicken Sie auf die Datensatz-ID-Nummer, um Details zu erhalten, und laden Sie den Datensatz über FTP herunter.
  3. Legen Sie die Rohdaten im Ordner /msv000084112 ab.
    HINWEIS: Dieser Datensatz wurde mit C18 RP-UHPLC auf der Q Exactive-Plattform im positiven Modus erfasst. Es stellt eine Kohorte mit einer nicht charakterisierten Erkrankung des Stoffwechsels von Urinprobendaten dar, darunter 33 Proben von gesunden Menschen, 12 leere Proben, zwei Mischproben und 82 Proben von Patienten28 (Ergänzungsmaterial 8). Um den Workflow zu demonstrieren, wählten wir nach dem Zufallsprinzip sechs Stichproben gesunder Menschen (NH) als Kontrollgruppe und sechs Stichproben mit der Krankheit (NT) als Fallgruppe aus, um den Workflow durchzuführen.

2. Konvertierung von Datenformaten

HINWEIS: Wenn es sich bei dem Datensatz um die Rohdaten handelt, die direkt vom Massenspektrometer generiert werden, liegt er normalerweise im .raw-, .wiff- oder .cdf-Format vor. Sie sollten in die Formate mzXML und mgf konvertiert werden. Hier verwenden wir das msconvert-Tool im ProteoWizard29-Paket , um die Formatkonvertierung durchzuführen.

  1. Laden Sie den ProteoWizard von https://proteowizard.sourceforge.io/download.html herunter und installieren Sie ihn.
  2. Konvertieren Sie das Datenformat mit msconvert.exe unter dem ProteoWizard-Installationspfad.
    1. Konvertieren Sie die Rohdaten in das mzXML-Format und speichern Sie sie im Ordner /mzXML:/msconvert.exe /raw/*.raw -o /raw/mzXML/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mzML --zlib --mz64 --filter "msLevel 1-2" --filter "titleMaker ... ".
    2. Konvertieren Sie die raw/mzXML-Daten in das mgf-Format und speichern Sie sie im Ordner /mgf:/msconvert.exe /msv000084112/*.raw -o /msv000084112/mgf/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mgf --mz64 --filter "msLevel 1-2" --filter "titleMaker ... ".

3. Bereiten Sie die Referenzspektralbibliothek für die Metaboliten vor

HINWEIS: XY-meta unterstützt die Referenzspektralbibliotheken nur im mgf-Format.

  1. Rufen Sie die Webseite https://gnps.ucsd.edu/ProteoSAFe/libraries.jsp auf. Suchen Sie nach dem Stichwort "NIST", um den Artikel zu finden. Klicken Sie auf Ansicht , um die Details anzuzeigen und die Bibliothek herunterzuladen.
    HINWEIS: GNPS Public Spectral Libraries sammelten viele Metabolitenbibliotheken, die nach Typ, Ursprung, Art und Sammlungsmodi angeordnet waren. Obwohl nur ein kleiner Bruchteil dieser Bibliotheken mit Standardmaterialien generiert wird, reichen sie in der Regel für die meisten Grundlagenforschungen aus.
  2. Legen Sie die heruntergeladene Bibliothek GNPS-NIST14-MATCHES.mgf im Ordner /database ab.

4. Identifizierung von Metaboliten und FDR-Kontrolle

  1. Laden Sie die XY-meta (Windows-Version) herunter. Suchen Sie die Parameterkonfigurationsdatei parameter.default im Ordner /XY-Meta-Win/config/. Ändern Sie den Inhalt gemäß Ergänzungsmaterial 1.
    HINWEIS: In Lösung bilden Metaboliten oft Addukte mit Anionen oder Kationen, was zu einer Massenverschiebung der Elternionen führt. Daher ist es notwendig, die Arten von Addukten festzulegen. Wir haben Adduktlisten für Ionenaustauscherspalten und umgekehrte analytische Spalten im positiven Ladungsmodus und im negativen Ladungsmodus im Ordner /adduct bereitgestellt. Benutzer können auch ihre eigene Adduktliste entsprechend ihrem Forschungsprojekt bearbeiten. Die Adduktliste sollte das gleiche Format wie die bereitgestellte Liste haben.
  2. Führen Sie die Identifizierung von Metaboliten und die FDR-Kontrolle mit XY-Meta:XY-Meta.exe -S /XY-Meta-Win/config/parameter.default -D /msv000084112/ pos_wt-1_a.mgf -R /database/GNPS-NIST14-MATCHES.mgf durch.
    HINWEIS: XY-Meta unterstützt keine Platzhalter in Parametern. Daher sollte ein einzelner Befehl verwendet werden, um jede mgf-Datei zu verarbeiten. Für eine große Anzahl von Dateien wird eine Batchdatei empfohlen.

5. Differentialanalyse

HINWEIS: metaX ist ein Open-Source-R-Paket. Bitte installieren Sie es gemäß der Anleitung bei https://github.com/wenbostar/metaX. Für diese Analyse werden 8 GB RAM benötigt.

  1. Bearbeiten Sie eine sampleList.txt-Datei, um das Beispiel und die entsprechenden MS-Daten anzugeben. Bitte beachten Sie das Ergänzungsmaterial 2.
    HINWEIS: metaX unterstützt die quantitative Analyse der Datensätze mit QC-Stichproben. Wenn Sie QC-Beispiele verwenden, ändern Sie bitte die Klasseneigenschaft in NA für QC-Beispiele.
  2. Erstellen Sie den Ordner /output, um die Ergebnisse der quantitativen Analyse zu speichern. Verwenden Sie R, um das Skript in Supplementary Material 3 auszuführen, um metaX zur Quantifizierung der MOCK- und WT-Gruppen zu verwenden.
    HINWEIS: Bevor Sie das Skript in Ergänzungsmaterial 3 ausführen, ändern Sie die Pfade im Skript in die tatsächlichen lokalen Pfade.

6. Integration qualitativer und quantitativer Ergebnisse

  1. Führen Sie das R-Skript in Supplementary Material 4 aus, um die Spitzen in der qualitativen und quantitativen Analyse mithilfe von Metabolitenidentifikationen zu kommentieren.
    HINWEIS: Bevor Sie das Skript in Ergänzungsmaterial 4 ausführen, ändern Sie bitte die Pfade im Skript in Ihre tatsächlichen lokalen Pfade.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Die Rohdaten von msv000084112 wurden von msconvert konvertiert.exe und erzeugten mgf-Dateien (Supplementary Material S6).

XY-Meta hat die GNPS-NIST14-MATCHES_Decoy.mgf-Datei unter /database Ordner generiert. Dies ist die Lockvogelbibliothek, die aus der ursprünglichen Referenzspektralbibliothek GNPS-NIST14-MATCHES.mgf generiert wurde. Diese Lockvogelbibliothek kann wiederverwendet werden. Bei der Wiederverwendung dieser Köderbibliothek sollte der Benutzer die decoy_pattern in der Datei parameter.default auf 1 und den DecoyInput als absoluten Pfad der Decoy-Bibliothek festlegen. Die Identifizierungsergebnisse wurden im Ordner /mgf (mit dem Suffix .meta) generiert, der Spektrenabgleichswerte, FDR, m/z der Metaboliten, Retentionszeit und den Namen der Metaboliten enthält (Ergänzungsmaterial 7).

Die quantitative Analyse durch metaX befand sich im Ordner /output. Die allgemeine quantitative Verteilung von NH und NT ist ähnlich, mit geringen Schwankungen der Mittelwerte (Abbildung 1A). Es gab nur einen kleinen Bruchteil der fehlenden Werte: Nur 3,39% der Metaboliten haben mehr als 30% der fehlenden Werte (Abbildung 1B). metaX erhöhte den Anteil der Metaboliten mit CV ≤ 0,3 deutlich (Abbildung 1C). Die Boxplots wurden im Ordner /metaX_box gespeichert. Die Elutionsprofile wurden im Ordner /metaX_eic gespeichert. Die Metabolitenpeaks wurden in metaX-feature.txt aufgezeichnet. Die quantitativen Werte der Metaboliten, die in beiden Gruppen identifiziert wurden, und die Ergebnisse der Differentialanalyse wurden in metaX_peaks.txt gespeichert (Abbildung 1D). Anwendung des Schwellenwerts für | LogFC| ≥ 1 und p-Wert < 0,05 wurden 342 Metaboliten differentiell nachgewiesen, wobei 206 hochreguliert und 136 herunterreguliert wurden (Ergänzungsmaterial 9).

Wir haben die metaX detektierten Peaks mit den FDR < 0.01 Identifikationen annotiert. Wenn ein Peak durch mehrere Metaboliten annotiert werden kann, haben wir den mit dem höchsten Spektrum-Matching-Score als letzte Anmerkung genommen. Anhand dieser Kriterien haben wir sechs differentielle Metabolitenpeaks annotiert (Abbildung 2).

Figure 1
Abbildung 1. Quantitative Analyse durch metaX. (A) Feld der quantifizierten Metaboliten aller Proben. (B) Histogramm der fehlenden Wertverteilung. (C) PCA-Diagramm von zwei Gruppenstichproben. (D) Venn-Diagramm der differentiell nachgewiesenen Metaboliten aus drei statistischen Testmethoden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 2
Abbildung 2. Retentionszeit (RT) und m/z-Verteilung aller annotierten Metaboliten. Rote Punkte stellen die signifikanten und differentiell nachgewiesenen Metaboliten dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Ergänzungsmaterial 1: Die Parameterdatei von XY-Meta. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 2: Gruppierung des Informationsblatts von Beispielen für metaX. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 3: Das Skript zur Integration des Workflows von XY-Meta und metaX. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 4: Das Skript zum Annotieren der Peaks mithilfe von Metabolom-Identifikationen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 5: Ein kompletter Workflow für die Metabolomanalyse über die Cloud-Plattform. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 6: Eine von msconvert konvertierte mgf-Datei für Beispieldaten von msv000084112. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 7: Eine Identifikationsergebnistabelle aus XY-Meta für Beispieldaten von msv000084112. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 8: Das klinische Kohorteninformationsblatt von msv000084112. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungsmaterial 9: Identifizierungsliste aller Metaboliten und differentielle Analyseergebnisse aller Metabolitenpeaks. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Die FDR-Kontrolle von nicht zielgerichteten Metaboliten war eine große Herausforderung. Hier demonstrierten wir eine vollständige Pipeline von groß angelegten, ungezielten Metabolomik-Analysen (qualitativ und quantitativ) mit FDR-Kontrolle. Dies reduziert effektiv die falsch positiven Ergebnisse, die in der MS-Analyse sehr häufig vorkommen.

Die Vorbereitung einer geeigneten Referenzspektralbibliothek für Ihre Studie ist ein wichtiger Punkt. Eine erfolgreiche und sensitive MS/MS-Identifizierung erfordert nicht nur richtige Matching-Algorithmen, sondern auch richtige Referenzspektralbibliotheken. Die Anwendbarkeit öffentlicher Spektralbibliotheken ist aus folgenden Gründen eingeschränkt: (1) Viele öffentliche Spektralbibliotheken enthalten keine vollständigen Metabolitenlisten. (2) Die Spektren in öffentlichen Spektralbibliotheken stammen von verschiedenen MS-Instrumenten und/oder verschiedenen Fragmentierungsbedingungen30,31. Daher empfehlen wir Ihnen, Spektren im selben Instrument und unter den gleichen Fragmentierungsbedingungen unter Verwendung von Standardmetaboliten zu sammeln, um eine "exklusive" Spektralbibliothek zu konstruieren. Auch diese Bedingungen sollten während der eigentlichen Messungen eingehalten werden. Darüber hinaus sollte bei der Änderung der Parameterdatei die Toleranz der Vorläuferionen und der Fragmentionen mit den Parametern des Instruments übereinstimmen. Normalerweise sollte der Bereich der Vorläufertoleranz zwischen 10 ppm und 20 ppm liegen, und die Fragmenttoleranz sollte zwischen 0,01 Da und 0,5 Da eingestellt werden. Für diesen Datensatz sind die Parameter des Instruments unbekannt, aber die Fragmenttoleranz von 0,05 Da ist eine konservative Wahl, damit dieser Workflow normal ausgeführt werden kann.

Benutzer erhalten möglicherweise weiterhin verschiedene Fehlermeldungen, wenn sie diese Pipeline ausführen. Zu den häufigsten Fehlern gehören ein fehlerhafter Eingabedateipfad, eine fehlende Parameterdatei und ein Dateizugriffskonflikt (z. B. vom Betriebssystem verweigerter Zugriff und gleichzeitiger Zugriff auf dieselbe Datei).

Dieser Workflow ist derzeit nur auf die gezielte und ungezielte metabolomische Analyse von kleinen Molekülen unter 1.000 Da anwendbar und kann nicht zur Analyse der Metabolome von Makromolekülen wie Glykanketten oder Lipidketten verwendet werden. Darüber hinaus sind sowohl die DIA-Daten (Data Independent Acquirement) als auch die Ionenmobilitätsdaten nicht für die Analyse mit diesem Workflow geeignet. Dieser Workflow unterstützt nicht die Verwendung von m/z und Retentionszeit von Metaboliten zur Annotation von Spitzennachweisergebnissen und unterstützt nur die differentielle Analyse von zwei Datengruppen mit mehr als zwei Stichproben.

Lange Zeit haben die Identifizierungsergebnisse von ungezielten Metabolomen, die von der Peak-Detektionstechnologie dominiert werden, tendenziell viele falsch positive Ergebnisse enthalten, hauptsächlich aufgrund der großen Anzahl von Metabolitenisomeren und verschiedenen ionischen Adduktformen. Der Vergleich der MS/MS-Spektren von Metaboliten mit den Referenzspektren bekannter Metaboliten kann die Struktur der Metaboliten auflösen, um Isomere32 zu unterscheiden. Ein Metabolit kann jedoch nicht identifiziert werden, wenn das Referenzspektrum eines Metaboliten nicht öffentlich oder kommerziell verfügbar ist7. Daher ist der Aufbau einer zuverlässigen Bibliothek von Metaboliten-Referenzspektren eine große Herausforderung. Referenzspektren von geringer Qualität und ähnlicher Struktur führen zu einem zufälligen Matching von experimentellen Spektren. Daher ist eine FDR-Kontrolle der Identifizierungsergebnisse notwendig, um eine sichere Identifizierung zu gewährleisten. Benutzer können diese Pipeline verwenden, um Metabolome mit FDR-Kontrolle sowie Quantifizierung und Differentialanalyse automatisch zu identifizieren, indem sie die erforderlichen Eingabedaten als erforderliches Protokoll bereitstellen. Das ist für viele Forscher gerade für Anfänger bequem und wirtschaftlich.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Keine Interessenkonflikte.

Acknowledgments

Diese Arbeit wird durch das National Key Research and Development Program (2018YFC0910200/2017YFA0505001) und das Guangdong Key R&D Program (2019B020226001) unterstützt.

Materials

Name Company Catalog Number Comments
GNPS open source n/a https://gnps.ucsd.edu/ProteoSAFe/static/gnps-splash.jsp
XY-Meta open source n/a https://github.com/DLI-ShenZhen/XY-Meta
metaX open source n/a https://github.com/wenbostar/metaX
ProteoWizard Free Download 3.0.22116.18c918b-x86_64 https://proteowizard.sourceforge.io/download.html
CHI.Client Free Download ndp48-x86-x64-allos-enu http://www.chi-biotech.com/technology.html?ty=ypt

DOWNLOAD MATERIALS LIST

References

  1. Misra, B. B., Fahrmann, J. F., Grapov, D. Review of emerging metabolomic tools and resources: 2015-2016. Electrophoresis. 38 (18), 2257-2274 (2017).
  2. Idle, J. R., Gonzalez, F. J. Metabolomics. Cell Metabolism. 6 (5), 348-351 (2007).
  3. Fiehn, O. Metabolomics — the link between genotypes and phenotypes. Functional Genomics. Town, C. , Springer. Netherlands. Dordrecht. 155-171 (2002).
  4. Functional Genomics. Town, C. , Springer. Netherlands. Dordrecht. (2002).
  5. Dettmer, K., Aronov, P. A., Hammock, B. D. Mass spectrometry-based metabolomics. Mass Spectrometry Reviews. 26 (1), 51-78 (2007).
  6. Vinayavekhin, N., Saghatelian, A. Untargeted metabolomics. Current Protocols in Molecular Biology. , Chapter 30, Unit 30.1 1-24 (2010).
  7. Chaleckis, R., Meister, I., Zhang, P., Wheelock, C. E. Challenges, progress and promises of metabolite annotation for LC-MS-based metabolomics. Current Opinion in Biotechnology. 55, 44-50 (2019).
  8. Palmer, A., et al. FDR-controlled metabolite annotation for high-resolution imaging mass spectrometry. Nature Methods. 14 (1), 57-60 (2017).
  9. Scheubert, K., et al. Significance estimation for large scale metabolomics annotations by spectral matching. Nature Communications. 8 (1), 1494 (2017).
  10. Schrimpe-Rutledge, A. C., Codreanu, S. G., Sherrod, S. D., McLean, J. A. Untargeted metabolomics strategies-challenges and emerging directions. Journal of the American Society for Mass Spectrometry. 27 (12), 1897-1905 (2016).
  11. Blaženović, I., Kind, T., Ji, J., Fiehn, O. Software tools and approaches for compound identification of LC-MS/MS data in metabolomics. Metabolites. 8 (2), (2018).
  12. Katajamaa, M., Miettinen, J., Oresic, M. MZmine: toolbox for processing and visualization of mass spectrometry based molecular profile data. Bioinformatics. 22 (5), Oxford, England. 634-636 (2006).
  13. Tsugawa, H., et al. Hydrogen rearrangement rules: computational MS/MS fragmentation and structure elucidation using MS-FINDER software. Analytical chemistry. 88 (16), 7946-7958 (2016).
  14. Wang, F., et al. CFM-ID 4.0: More accurate ESI-MS/MS spectral prediction and compound identification. Analytical Chemistry. 93 (34), 11692-11700 (2021).
  15. Ruttkies, C., Schymanski, E. L., Wolf, S., Hollender, J., Neumann, S. MetFrag relaunched: incorporating strategies beyond in silico fragmentation. Journal of Cheminformatics. 8, 3 (2016).
  16. Delabriere, A., Warmer, P., Brennsteiner, V., Zamboni, N. SLAW: A scalable and self-optimizing processing workflow for untargeted LC-MS. Analytical chemistry. 93 (45), 15024-15032 (2021).
  17. Wang, X., et al. Target-decoy-based false discovery rate estimation for large-scale metabolite identification. Journal of Proteome Research. 17 (7), 2328-2334 (2018).
  18. Li, D., et al. XY-Meta: a high-efficiency search engine for large-scale metabolome annotation with accurate FDR estimation. Analytical Chemistry. 92 (8), 5701-5707 (2020).
  19. Wen, B., Mei, Z., Zeng, C., Liu, S. metaX: a flexible and comprehensive software for processing metabolomics data. BMC Bioinformatics. 18 (1), 183 (2017).
  20. Aberg, K. M., Torgrip, R. J. O., Kolmert, J., Schuppe-Koistinen, I., Lindberg, J. Feature detection and alignment of hyphenated chromatographic-mass spectrometric data. Extraction of pure ion chromatograms using Kalman tracking. Journal of Chromatography. A. 1192 (1), 139-146 (2008).
  21. Liu, Q., et al. Addressing the batch effect issue for LC/MS metabolomics data in data preprocessing. Scientific Reports. 10 (1), 13856 (2020).
  22. Han, W., Li, L. Evaluating and minimizing batch effects in metabolomics. Mass Spectrometry Reviews. 41 (3), 421-442 (2022).
  23. Fei, F., Bowdish, D. M. E., McCarry, B. E. Comprehensive and simultaneous coverage of lipid and polar metabolites for endogenous cellular metabolomics using HILIC-TOF-MS. Analytical and Bioanalytical Chemistry. 406 (15), 3723-3733 (2014).
  24. Smith, C. A., Want, E. J., O'Maille, G., Abagyan, R., Siuzdak, G. XCMS: processing mass spectrometry data for metabolite profiling using nonlinear peak alignment, matching, and identification. Analytical Chemistry. 78 (3), 779-787 (2006).
  25. Giacomoni, F., et al. Workflow4Metabolomics: a collaborative research infrastructure for computational metabolomics. Bioinformatics. 31 (9), Oxford, England. 1493-1495 (2015).
  26. Chang, H. -Y., et al. iMet-Q: A user-friendly tool for label-free metabolomics quantitation using dynamic peak-width determination. PloS One. 11 (1), 0146112 (2016).
  27. Wang, M., et al. Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking. Nature Biotechnology. 34 (8), 828-837 (2016).
  28. Schmid, R., et al. Ion identity molecular networking for mass spectrometry-based metabolomics in the GNPS environment. Nature Communications. 12 (1), 3832 (2021).
  29. Kessner, D., Chambers, M., Burke, R., Agus, D., Mallick, P. ProteoWizard: open source software for rapid proteomics tools development. Bioinformatics. 24 (21), Oxford, England. 2534-2536 (2008).
  30. Johnson, S. R., Lange, B. M. Open-access metabolomics databases for natural product research: present capabilities and future potential. Frontiers in Bioengineering and Biotechnology. 3, 22 (2015).
  31. Horai, H., et al. MassBank: a public repository for sharing mass spectral data for life sciences. Journal of Mass Spectrometry: JMS. 45 (7), 703-714 (2010).
  32. Rawlinson, C., et al. Hierarchical clustering of MS/MS spectra from the firefly metabolome identifies new lucibufagin compounds. Scientific Reports. 10 (1), 6043 (2020).

Tags

Biochemie Ausgabe 187
Ein integrierter Workflow zur Identifizierung und Quantifizierung von FDR-Kontroll-basierten, ungezielten Metabolomen
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Li, D., Liang, J., Zhang, Y., Zhang, … More

Li, D., Liang, J., Zhang, Y., Zhang, G. An Integrated Workflow of Identification and Quantification on FDR Control-Based Untargeted Metabolome. J. Vis. Exp. (187), e63625, doi:10.3791/63625 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter