Methodenartikel

Navigieren in den massenspektrometrischen Proteomdaten mit kostenlosen Berechnungswerkzeugen

DOI:

10.3791/68707

⸱

19. August 2025

 , 
1School of Life Sciences, Westlake University, 2Molemuse Biotech Studio

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Massenspektrometrie-basierte Proteomdaten sind in offenen Datenbanken verfügbar und mit kostenlosen Tools zugänglich. Angesichts der Komplexität von Datenbankrecherchen und -beschreibungen fehlt vielen Biologen das Wissen, um diese Datensätze zu nutzen. Hier finden Sie eine Anleitung zur Verwendung kostenloser Tools für die grundlegende Suche nach proteomischen Daten.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Massenspektrometrie (MS)-basierte Proteomik-Daten, einschließlich datenabhängiger Erfassung (DDA) und datenunabhängiger Erfassung (DIA), werden in der biologischen Forschung häufig verwendet. Die Anwendung dieser Datensätze in Validierungsstudien ist jedoch noch begrenzt, da es an klaren Demonstrationen für die effektive Suche und Analyse von Proteomdaten mangelt. Um diese Lücke zu schließen, haben wir einen DDA- und einen DIA-Datensatz ausgewählt, die in der PRoteomics IDEntifications Database (PRIDE) hinterlegt sind, um den Arbeitsablauf der proteomischen Datenanalyse und die nachgelagerte Nachbearbeitung von Proteinsuchergebnissen besser zu veranschaulichen. Zu Demonstrationszwecken haben wir zwei kostenlose Berechnungstools verwendet: FragPipe (v22.0) für DDA-Datensätze und DIA-NN (2.1.0) für DIA-Datensätze. Nachbearbeitungsschritte, wie z. B. die Generierung von Vulkandiagrammen und Listen dysregulierter Proteine, wurden mit Hilfe des R-Codes demonstriert. Diese Studie bietet grundlegende Protokolle für die Suche und Analyse von Proteomdaten und dient als unverzichtbarer Leitfaden für Einsteiger für den effektiven Umgang mit Proteomdatensätzen. Durch diese Arbeit wollen wir Forschern das notwendige Wissen vermitteln, um proteomische Daten in ihren biologischen Untersuchungen zu nutzen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das Gebiet der Proteomik wurde durch die weit verbreitete Einführung von frei zugänglichen Datenrepositorien und freien Software-Tools1 revolutioniert, die maßgeblich dazu beigetragen haben, die Forschungskapazitäten voranzutreiben und eine Kultur des Datenaustauschs zu fördern. Die Einrichtung zentralisierter Ressourcen wie PRIDE2 und die Entwicklung standardisierter Datenformate durch die Human Proteome Organization (HUPO) Proteomics Standards Initiative (PSI)3 haben eine beispiellose Möglichkeit für die Wiederverwendung und Integration von Daten geschaffen. Die Analyse und Interpretation proteomischer Daten stellt jedoch nach wie vor erhebliche technische Hindernisse dar, insbesondere für Biologen und Ärzte, die eine orthogonale Validierung ihrer eigenen experimentellen Ergebnisse durchführen möchten4. Dieses Manuskript geht diese Herausforderung direkt an, indem es einen herstellerunabhängigen Berechnungsworkflow vorstellt, um Forschern einen zugänglichen Rahmen zu bieten, mit dem sie öffentliche Proteomik-Daten unabhängig abfragen, analysieren und mit ihren eigenen Ergebnissen integrieren können, wodurch eine robuste orthogonale Validierung ohne zusätzliche Nasslaborexperimente ermöglicht wird. Diese Arbeit eignet sich besonders für Forscher, die die differentielle Expression spezifischer Proteine, die in ihren eigenen Experimenten identifiziert wurden, orthogonal validieren und neue Hypothesen generieren möchten, indem sie die Expressionsmuster ihrer interessierenden Proteine in einer Vielzahl von veröffentlichten Studien untersuchen. Durch die Bereitstellung einer Schritt-für-Schritt-Anleitung wollen wir ein breiteres Spektrum von Wissenschaftlern in die Lage versetzen, das volle Potenzial öffentlicher Proteomik-Daten zu nutzen und letztendlich die Robustheit und Wirkung ihrer Forschung zu verbessern.

In der Massenspektrometrie (MS)-basierten Proteomik sind MS1- und MS2-Scans grundlegend für die Datenerfassung. MS1-Scans oder Survey-Scans erfassen und messen das Masse-zu-Ladungs-Verhältnis (m/z) aller Ionen in einer Probe und bieten einen umfassenden Überblick über die Ionenpopulation5. MS2-Scans, auch Fragmentierungsscans genannt, beinhalten die Isolierung und Fragmentierung spezifischer Vorläuferionen, die aus dem MS1-Scan ausgewählt wurden, um Fragmentionenspektren für die Peptididentifizierung zu generieren6.

Bei der datenabhängigen Erfassung (DDA) werden die am häufigsten vorkommenden Ionen aus MS1-Scans für die MS2-Fragmentierung ausgewählt, wodurch einfachere Spektren erzeugt werden, die die Analyse optimieren. DDA kann jedoch zu stochastischen Probenahmen und fehlenden Werten in komplexen Proben führen, was die Reproduzierbarkeit einschränkt7. Im Gegensatz dazu fragmentiert die datenunabhängige Erfassung (DIA) systematisch alle Ionen innerhalb vordefinierter m/z-Fenster , um eine umfassende Abdeckung zu gewährleisten und fehlende Werte zu minimieren. Dies verbessert die quantitative Genauigkeit und Reproduzierbarkeit8, obwohl DIA fortschrittliche Berechnungswerkzeuge benötigt, um seine hochkomplexen MS2-Spektren zu entfalten9.

PRIDE (https://www.ebi.ac.uk/pride)2ist ein führendes Repositorium innerhalb des ProteomeXchange Consortium (https://www.proteomexchange.org)10, einer globalen Plattform für den Austausch von Proteomik-Daten. Benutzer können effizient durch diese riesige Ressource navigieren, indem sie Stichwortsuchen verwenden, um interessante Datensätze zu finden.

DIA-NN11, eine Software-Suite, die tiefe neuronale Netze nutzt, ist ein Goldstandard-Tool für die Analyse von datenunabhängigen Erfassungsproteomikdaten (DIA). Es zeichnet sich durch seine Identifizierungs- und Quantifizierungsgenauigkeit aus und ist daher besonders effektiv für die Verarbeitung komplexer DIA-Datensätze12. Für datenabhängige Erfassungs-Workflows (DDA) bietet MSFragger13, integriert in die FragPipe-Pipeline, eine ultraschnelle Peptididentifizierung. Sein innovativer Fragment-Ionen-Indexierungsansatz ermöglicht eine schnelle spektrale Anpassung und übertrifft herkömmliche Werkzeuge um mehr als das 100-fache an Geschwindigkeit.

Ausgestattet mit diesen umfassenden Datenbanken und fortschrittlichen Werkzeugen können Forscher Proteomdaten problemlos für die studienübergreifende Validierung und neuartige biologische Entdeckungen wiederverwenden. Diese Zugänglichkeit hat die Identifizierung zahlreicher Protein-Biomarker für verschiedene Krankheiten vorangetrieben14,15, die Prognosevorhersageverbessert 16 und die Klassifizierung molekularer Subtypen auf der Grundlage von Proteomprofilenermöglicht 17.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

HINWEIS: In Abbildung 1finden Sie einen Überblick über den Arbeitsablauf und in der Materialtabelle eine detaillierte Beschreibung der verwendeten Software.

figure-protocol-1
Abbildung 1: Überblick über das Studiendesign. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

1. Beispiel für ein Datei- und Software-Setup

HINWEIS: Alle Anwendungen sind für den individuellen Forschungsgebrauch kostenlos und können auf einem PC ausgeführt werden (Windows und Linux werden unterstützt).

  1. Erstellen Sie ein neues Verzeichnis für ein Projekt.
  2. Download JMU_LM2_8526_55.raw, JMU_LM2_8568_51.raw, JMU_LM2_8696_37.raw, JMU_LM2_2112_87.raw, JMU_LM2_2195_91.raw, JMU_LM2_2377_73.raw, 20150127_liver_XH03_T_01.raw, 20150127_liver_XH03_T_02.raw, 20150127_liver_XH03_T_03.raw, 20150127_liver_XH03_P_01.raw, 20150127_liver_XH03_P_02.raw, 20150127_liver_XH03_P_03.raw von PRIDE.
    HINWEIS: Die beiden Gruppen von Dateien können separat von https://www.ebi.ac.uk/pride/archive/projects/PXD039273 und https://www.ebi.ac.uk/pride/archive/projects/PXD006512 heruntergeladen werden (Abbildung 2).
  3. Laden Sie die erforderlichen Software-Tools herunter und installieren Sie sie.
    1. Laden Sie die neueste Version von DIA-NN als .msi Datei herunter. DIA-NN ist als .msi Datei für Windows oder .zip Datei für Linux von https://github.com/vdemichev/DiaNN/releases/tag/2.0
    2. Laden Sie die neueste Version von MSFileReader als .exe Datei herunter. MSFileReader ist als .exe Datei von https://github.com/thermofisherlsms/MSFileReader/blob/main/MSFileReader_x64.exe frei verfügbar, die für die Verarbeitung von unformatierten Thermo Fisher DIA-Daten erforderlich ist.
    3. Laden Sie die neueste Version des .NET SDK als .exe Datei herunter. Das .NET SDK ist als .exe Datei von https://dotnet.microsoft.com/en-us/download frei verfügbar, die in Windows zum Ausführen von MSFileReader erforderlich ist.
    4. Laden Sie die neueste Version von FragPipe als .zip Datei herunter. FragPipe ist als .zip Datei von https://github.com/Nesvilab/FragPipe/releases frei verfügbar. Die Zip-Datei mit jre wird empfohlen, da sie eine Java-Runtime für Windows enthält, die zum Ausführen von FragPipe benötigt wird. MSFragger ist in die FragPipe eingebettet.
  4. Laden Sie die neueste Version von R und Rstudio sowie die R-Skriptdateien aus der Zusatzdatei 1 und der Zusatzdatei 2 herunter. R und RStudio können kostenlos von https://cran.rstudio.com/bin/windows/base/R-4.5.0-win.exe und https://posit.co/download/rstudio-desktop/ heruntergeladen werden.
  5. Entpacken Sie die komprimierten Dateien und klicken Sie auf die . exe oder .msi Files , um die Anwendungen zu installieren.

2. DIA-Datenanalyse mit DIA-NN

  1. Laden Sie die Referenz-Proteome-Fasta-Datei von UniProt herunter. Um das Referenzproteom des Homo sapiens herunterzuladen (Isoforminformationen nicht enthalten), gehen Sie zu https://www.uniprot.org/proteomes/UP000005640 (Abbildung 3A).
  2. Klicken Sie auf die Schaltfläche FASTA hinzufügen , um die Referenzproteomdatei in DIA-NN zu laden.
  3. Wählen Sie die beiden Optionen FASTA-Digest für bibliotheksfreie Suche/Bibliotheksgenerierung und Deep-Learning-basierte Spektren, RTs und lMs-Vorhersage unter Precursor-Ionengenerierungsteil. Klicken Sie auf die Schaltfläche Run , um eine vorhergesagte Spektralbibliothek zu generieren (Abbildung 3B).
    1. Nachdem die vorhergesagte Spektralbibliotheksdatei generiert wurde, verwenden Sie diese für andere Experimente innerhalb derselben experimentellen Aufnahmeeinstellungen, indem Sie auf die Schaltfläche Spektral klicken, um die vorhergesagte Bibliothek hinzuzufügen.
  4. Deaktivieren Sie die beiden Optionen unter dem Teil zur Erzeugung von Vorläuferionen und klicken Sie auf die Schaltfläche Typ, die mit dem Dateiformat unter dem Eingabeteil korreliert, um die DIA-Daten zu laden.
  5. Legen Sie die Massengenauigkeit und die MS1-Genauigkeit unter Algorithmus auf 0,0 ppm fest.
  6. Passen Sie die Einstellungen für den Massenbereich des Vorläufers und des Fragments unter Teil zur Erzeugung von Vorläuferionen basierend auf den experimentellen Einstellungen an.
  7. Behalten Sie die anderen Standardeinstellungen bei.
    1. Die Vorläufergeneration von DIA-NN verwendet Trypsin/P (spaltet nach K/R, es sei denn, es folgt Prolin) mit 1 fehlenden Spaltung, um einen partiellen Aufschluss zu modellieren; Deaktivieren Sie die N-Term-M-Exzision für nicht-kanonische Peptide (z. B. Immunpeptidomik) oder erhöhen Sie die verpassten Spaltungen auf 2 für längere Peptide.
    2. Aktivieren Sie explizit Variablenmodifikationen (standardmäßig deaktiviert) für posttranslationale Modifikationsstudien (PTM) (z. B. Ox (M) für die Oxidation, K-GG für die Ubiquitinierung) und erweitern Sie Peptidfilter (Länge: 7-30 aa; Ladung: 1-4+; Vorläufer m/z: 300-1800) entsprechend den experimentellen Einstellungen (z. B. Länge: 5-50 aa, Ladung=1-6) für große PTMs oder nicht-tryptische Verdaue.
    3. Die Algorithmuseinstellungen nutzen die automatische Kalibrierung (Massengenauigkeit = 0,0 ppm) für eine präzise Massenausrichtung – Überschreibung mit manuellen Toleranzen (z. B. 10 ppm) für Geräte mit niedriger Auflösung – und Match Between Runs (MBR) überträgt IDs über Läufe hinweg (Deaktivierung für heterogene Proben).
    4. Die Bewertung neuronaler Netze erhöht die Zuverlässigkeit der Identifizierung (es sei denn, die Datenqualität ist schlecht), während die quant unmarkierte Massenspektrometrie (UMS) eine hochpräzise markierungsfreie Quantifizierung ermöglicht. Umstellung auf MS2-Quantifizierung für isobare Tags (z. B. TMT). Verwenden Sie die bibliotheksfreie Suche nur mit hochauflösenden DIA-Daten, um die Anforderungen an die Spektralbibliothek zu umgehen.
  8. Klicken Sie auf die Schaltfläche Ausführen . Warten Sie auf die Ergebnisse, bis Fertig in der Bedienoberfläche angezeigt wird, um anzuzeigen, dass der Lauf abgeschlossen ist (Abbildung 3C).

3. DDA-Datenanalyse mit FragPipe

  1. Klicken Sie nach der Installation auf das Fragpipe-Symbol im Ordner ~\FragPipe\fragpipe\bin. Alle abhängigen Einstellungen sind auf der Registerkarte "Konfiguration" zu sehen. Überprüfen Sie, ob die drei Module (MSFragger, IonQuant, diaTracer, DIA-NN und Python) auf Ihrem Computer vorhanden sind. Wenn nicht, laden Sie sie herunter, indem Sie auf Download/Update oder Download klicken (Abbildung 4A).
  2. Wechseln Sie zur nächsten Registerkarte, Workflow. Wählen Sie Standard für den Workflow aus und klicken Sie auf Workflow laden. Klicken Sie auf Dateien hinzufügen , um Dateipfade hinzuzufügen. Weisen Sie den Namen des Experiments und die Bioreplikationsnummer unter Dateien zuweisen zu oder lassen Sie es einfach (Abbildung 4B).
  3. Klicken Sie nun auf Datenbank und wenden Sie sich an diese Registerkarte. Laden Sie eine Fasta-Datei oder laden Sie Fasta-Dateien herunter, je nach Spezies der Proben. Wählen Sie während des Downloads die Optionen Nur überprüfte Sequenzen, Köder hinzufügen und Häufige Verunreinigungen hinzufügen für einen einfachen Lauf aus (Abbildung 4C).
  4. Klicken Sie dann auf MSFragger , um die Registerkarte zu ändern. Wählen Sie die Standardkonfiguration für die geschlossene Suche und klicken Sie auf Laden.
    HINWEIS: Die geschlossene Suche ist im Grunde eine Suche nach den Änderungen, die Sie vorgenommen haben, während die offene Suche alle möglichen Änderungen aus den Daten untersucht, was zeit- und speicherintensiver ist.
  5. Behalten Sie für den Peakabgleich die Standardeinstellungen bei, mit der Ausnahme, dass die Auswahl von Keine für Kalibrierung und Optimierung empfohlen wird, da dies Zeit spart.
  6. Für die Proteinverdauung passen Sie die Parameter entsprechend den Versuchsbedingungen an. Behalten Sie die folgenden Standardeinstellungen bei (Abbildung 5A).
    HINWEIS: Die Massentoleranzen für Vorläufer und Fragmente (± 20 ppm) definieren den maximal zulässigen Massenfehler für die Anpassung experimenteller Spektren an theoretische Peptide, wobei für hochauflösende Instrumente engere Werte empfohlen werden. Die Enzymregeln (striktes Trypsin) spezifizieren die Spaltungsspezifität (nach K/R, sofern nicht von P gefolgt wird), wobei fehlende Spaltungen (2) teilweise verdaute Peptide zulassen. Peptidlängen- (5-50 Reste) und Massenfilter (500-5000 Da) schließen unwahrscheinliche Kandidaten aus. Variable Modifikationen (z. B. +15,9949 Da auf Methionin für die Oxidation, +79,96633 Da auf S/T/Y für die Phosphorylierung) ermöglichen den Nachweis chemischer Veränderungen, während Max-Kombinationen (5) gleichzeitige Modifikationen pro Peptid begrenzen, um den Suchraum zu verwalten. Die maximale Anzahl variabler Mods pro Site (z. B. 3 auf M) steuert die Änderungshäufigkeit. Die geteilte Datenbank verbessert die Effizienz bei großen Proteomen, und der Isotopenfehler (0/1/2) erklärt falsch zugeordnete Isotopenpeaks. Diese Einstellungen sorgen für ein ausgewogenes Verhältnis zwischen Sensitivität, Spezifität und Rechenlast bei der Peptididentifizierung.
  7. Wechseln Sie zur Registerkarte Validierung. Deaktivieren Sie Predict RT und Predict spectra, die für DIA-Daten gelten (Abbildung 5B).
  8. Klicken Sie auf die Registerkarte Quant (MS1). Wählen Sie MS1 Quant ausführen aus und klicken Sie auf Load Quant defaults. Wählen Sie IonQuant aus, und behalten Sie die Standardeinstellungen bei (Abbildung 6A). Deaktivieren Sie MBR für instabile Retentionszeiten oder deaktivieren Sie die Intensitätsnormalisierung , wenn globale Skalierungsverzerrungen auftreten; Aktivieren Sie die Option Index auf Festplatte behalten , um RAM bei großen Datensätzen zu sparen.
    HINWEIS: Quant (MS1) optimiert standardmäßig die markierungsfreie Quantifizierung mit MaxLPQ (MaxLFQ-based Protein Quantification, ein Algorithmus, der die MaxLFQ-Methode auf Proteingruppen erweitert) und erfordert ≥1 einzigartiges Ion pro Protein (Erhöhung auf ≥2 für höhere Stringenz auf Kosten der Abdeckung). Match Between Runs (MBR) überträgt Identifikationen über Läufe hinweg unter Verwendung der Retentionszeittoleranz (RT) (Standard 0,4 min; anziehen auf 0,2 min für stabile Chromatographie oder lockern für Gradientenvariabilität) und der Ionenmobilitätstoleranz (IM) (Standard 0,05 1/k0 [inverse reduzierte Mobilität]; Anpassung basierend auf IM-Präzision), gefiltert nach ≤1 % FDR (False Discovery Rate; Standard-MBR-Ionen-FDR=0,01; niedriger auf 0,005 für Genauigkeit). Die Proteininferenz verwendet uniquer+rascor (Razor Peptide assignment for protein grouping). Bei der Merkmalserkennung wird eine Massentoleranz von 10 ppm verwendet (Erhöhung auf 20 ppm für MS mit niedriger Auflösung oder Verringerung auf 5 ppm für hochauflösende Auflösung).
  9. Klicken Sie nun auf die Registerkarte Ausführen . Wählen Sie Ausgabeverzeichnis aus. Klicken Sie auf RUN , um mit der Analyse der Daten zu beginnen (Abbildung 6B).
    HINWEIS: Für markierungsfreie Proteomik-Daten, die sich nicht auf Modifikationen konzentrieren oder eine markierungsbasierte Quantifizierung verwenden, werden keine PTMs, Glyko- und Quant (isobar) Registerkarten verwendet.

4. DIA-NN/FragPipe Downstream-Analyse

HINWEIS: Die in dieser Studie verwendeten detaillierten Codes sind als Zusatzdatei 1 und Zusatzdatei 2 enthalten. Die in dieser Studie verwendeten Paketversionen finden Sie in der Ergänzungsdatei 3.

  1. Öffnen Sie RStudio und lesen Sie die von DIA-NN oder FragPipe generierten Proteinexpressionsdaten. Proteingruppenmatrixdaten, die mit .pg_matrix.tsv enden, aus DIA-NN und kombinierte Proteindaten, die mit .tsv enden, von FragPipe werden normalerweise für die Analyse verwendet.
  2. Entfernen Sie die fehlenden Werte, ohne NA einzufüllen, und filtern Sie die Proteingruppen heraus, die mit weniger als zwei einzigartigen Peptiden identifiziert und quantifiziert wurden.
    HINWEIS: Die DIA-Zahlen in dieser Studie wurden von gefilterten Proteingruppen generiert, während die DDA-Zahlen von ungefilterten Proteingruppen stammten.
  3. Normalisieren Sie die Proteinintensitäten durch mediane Skalierung oder Quantilnormalisierung über Proben hinweg. Die DIA-Daten in dieser Studie wurden durch mediane Normalisierung normalisiert, während die DDA-Daten durch Quantilnormalisierung normalisiert wurden, um die beiden Methoden besser zu demonstrieren.
    HINWEIS: Die mediane Normalisierung ist robust gegenüber Ausreißern und eignet sich für Szenarien, in denen die Mehrheit der Proteine in allen Proben unverändert bleibt, was die mediane Proteinhäufigkeit zu einem stabilen Referenzpunkt macht. Es kann jedoch in Szenarien mit stark differentiell exprimierten Proteinenversagen 18. Die Quantilnormalisierung gewährleistet eine gleichmäßige Verteilung der Proteinhäufigkeiten über die Proben hinweg, was beim Vergleich von Proben mit unterschiedlichen Verteilungen hilfreich ist. Es hat sich gezeigt, dass es die statistische Aussagekraft verringert und die Daten übernormalisieren kann, wodurch möglicherweise echte biologische Unterschiede maskiert werden18. In der Proteomik wird die mediane Normalisierung häufig in markierungsfreien Studien verwendet, um systematische Verzerrungen im Zusammenhang mit der Leistung von MS-Instrumenten zu beseitigen. Die Quantilnormalisierung wird für großräumige Datensätze, die differentielle Expressionsanalyse und die Clusteranalyse bevorzugt19,20.
  4. Berechnen Sie log2-fache Veränderungen (z. B. PDAC-Serum im Vergleich zu Normal) und t-Test-p-Werte. Berechnen Sie korrigierte p-Werte mit der Benjamini-Hochberg-Methode. Definieren Sie Signifikanzschwellenwerte (z. B. |log2FC| > 1, p_adj (FDR) < 0,05).
    HINWEIS: Die in den Zahlen dieser Studie verwendeten Cutoff-p-Werte stellen Rohwerte dar, da die Verwendung von angepassten p-Werten (p_adj) alle nachweisbaren Proteine innerhalb der statistischen Aussagekraft dieser begrenzten Datensätze eliminieren würde.
  5. Prüfen Sie, ob fehlende/NA-Werte vorhanden sind, und schließen Sie diese aus. Generieren Sie ein Vulkandiagramm, um signifikante Treffer zu visualisieren.
  6. Wählen Sie signifikant dysregulierte Proteine aus. Wenden Sie die Z-Score-Normalisierung auf Proteinexpressionswerte an. Plotten Sie eine geclusterte Heatmap mit Beispielgruppenanmerkungen.
  7. Ordnen Sie Proteine Entrez-IDs zu, indem Sie org. Hs.eg.db. Führen Sie eine GO-Anreicherung (biologischer Prozess) und eine Analyse des KEGG-Signalwegs durch.
    HINWEIS: Kategorien biologischer Prozesse (BP) werden in der Genontologie-Analyse (GO) häufig ausgewählt, da sie die größeren Prozesse oder biologischen Programme beschreiben, die durch mehrere molekulare Aktivitäten erreicht werden20. Diese Begriffe konzentrieren sich auf zelluläre Funktionen, die bei Krankheiten wie Krebs schief gehen, einschließlich essentieller Prozesse wie Zellzyklusregulation, Stoffwechselprozesse usw. Neben dem Blutdruck umfasst die GO-Analyse auch die Kategorien Molekulare Funktion (MF) und Zelluläre Komponente (CC). MF-Begriffe beschreiben die biochemischen Aktivitäten von Genprodukten, wie z. B. den Ionentransport oder die DNA-Bindungsfähigkeit. CC-Begriffe definieren die zellulären Orte, an denen Genprodukte ihre Funktionen erfüllen, wie z. B. der Zellkern, die Mitochondrienmembran oder das Zytoskelett.
  8. Abfragen von STRINGdb für Interaktionen (Konfidenzbewertung ≥ 400). Generieren Sie ein interaktives Netzwerk mit visNetwork.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Um die Suche nach proteomischen Datensätzen besser zu veranschaulichen, haben wir zwei Arten von Datensätzen für diese Analyse ausgewählt. Mit dem Ziel, dysregulierte Proteine in klinischen Kontexten zu demonstrieren, suchten wir in PRIDE mit Schlüsselwörtern wie clinic. Konkret wählten wir einen für die DIA-Analyse geeigneten Datensatz des Clinical Proteomic Tumor Analysis Consortium (CPTAC)21 und einen weiteren, der für die DDA-Analyse geeignet ist, vom Chinese H...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das vorgestellte Protokoll veranschaulicht die proteomische Datenanalyse durch die Integration kostenloser Tools wie DIA-NN und FragPipe. Der Erfolg hängt von kritischen Schritten ab, wie z. B. der genauen Auswahl der Vorläuferionen, und den Einstellungen für die Massengenauigkeit für die Generierung von Spektralbibliotheken in DIA-NN (Schritt 2.3)27, die instrumentenabhängig und für die vollständige Peptididentifizierung entscheidend sind. In ähnlicher Weise ist ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

F.Z. ist der Gründer des Molemuse Biotech Studios.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Projekt wird von Molemuse Biotech Studio unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
.NET SDK v. 9.0.203Microsofthttps://dotnet.microsoft.com/en-us/download
DIA-NN v. 2.1.0https://github.com/vdemichev/DiaNN/releases/tag/2.0 
FragPipe v. 22.0https://github.com/Nesvilab/FragPipe/releases
MSFileReader v. 3.1 Thermo Fischerhttps://github.com/thermofisherlsms/MSFileReader/blob/main/MSFileReader_x64.exe
R 4.5.0https://cran.rstudio.com/bin/windows/base/R-4.5.0-win.exe
Rstudio v. 2024.12.1+563https://posit.co/download/rstudio-desktop/

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Pedrioli, P. G. A., et al. A common open representation of mass spectrometry data and its application to proteomics research. Nat Biotechnol. 22 (11), 1459-1466 (2004).
  2. Perez-Riverol, Y., et al. The PRIDE database at 20 years: 2025 update. Nucl Acids Res. 53 (D1), D543-D553 (2025).
  3. Deutsch, E. W., et al. Proteomics Standards Initiative at Twenty Years: Current Activities and Future Work. J Proteome Res. 22 (2), 287-301 (2023).
  4. Schubert, O. T., Röst, H. L., Collins, B. C., Rosenberger, G., Aebersold, R. Quantitative proteomics: challenges and opportunities in basic and applied research. Nat Protoc. 12 (7), 1289-1294 (2017).
  5. Wang, X., Shen, S., Rasam, S. S., Qu, J. MS1 ion current-based quantitative proteomics: A promising solution for reliable analysis of large biological cohorts. Mass Spectro Rev. 38 (6), 461-482 (2019).
  6. Vaudel, M. MS2-Based Quantitation. Proteome Inform. , 155-177 (2016).
  7. Meyer, J. G. Qualitative and Quantitative Shotgun Proteomics Data Analysis from Data-Dependent Acquisition Mass Spectrometry. Shotgun Proteomics. 2259, 297-308 (2021).
  8. Fröhlich, K., et al. Data-Independent Acquisition: A Milestone and Prospect in Clinical Mass Spectrometry-Based Proteomics. Mol Cell Proteomics. 23 (8), 100800(2024).
  9. Zhang, F., Ge, W., Ruan, G., Cai, X., Guo, T. Data-Independent Acquisition Mass Spectrometry-Based Proteomics and Software Tools: A Glimpse in 2020. Proteomics. 20 (17-18), 1900276(2020).
  10. Deutsch, E. W., et al. The ProteomeXchange consortium at 10 years: 2023 update. Nucl Acids Res. 51 (D1), D1539-D1548 (2023).
  11. Demichev, V., Messner, C. B., Vernardis, S. I., Lilley, K. S., Ralser, M. DIA-NN:neural networks and interference correction enable deep proteome coverage in high throughput. Nat Meth. 17 (1), 41-44 (2020).
  12. Zhang, F., et al. A Comparative Analysis of Data Analysis Tools for Data-Independent Acquisition Mass Spectrometry. Mol Cell Proteomics. 22 (9), 100623(2023).
  13. Kong, A. T., Leprevost, F. V., Avtonomov, D. M., Mellacheruvu, D., Nesvizhskii, A. I. MSFragger: ultrafast and comprehensive peptide identification in mass spectrometry-based proteomics. Nat Meth. 14 (5), 513-520 (2017).
  14. Anderson, N. L., Anderson, N. G. The Human Plasma Proteome. Mol Cell Proteomics. 1 (11), 845-867 (2002).
  15. Kowal, J., et al. Proteomic comparison defines novel markers to characterize heterogeneous populations of extracellular vesicle subtypes. Proc Natl Acad Sci. 113 (8), E968-E977 (2016).
  16. Cao, L., et al. Proteogenomic characterization of pancreatic ductal adenocarcinoma. Cell. 184 (19), 5031-5052.e26 (2021).
  17. Dong, L., et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 40 (1), 70-87.e15 (2022).
  18. Dubois, E., Galindo, A. N., Dayon, L., Cominetti, O. Comparison of normalization methods in clinical research applications of mass spectrometry-based proteomics. 2020 IEEE Conf Computat Intelligence Bioinfo Computat Biol. , 1-10 (2020).
  19. Dressler, F. F., Brägelmann, J., Reischl, M., Perner, S. Normics: Proteomic Normalization by Variance and Data-Inherent Correlation Structure. Mol Cell Proteomics. 21 (9), 100269(2022).
  20. Dimmer, E. C., et al. The Gene Ontology - Providing a Functional Role in Proteomic Studies. Proteomics. 8 (23-24), pmic.200800002(2008).
  21. Lih, T. M., et al. Detection of Pancreatic Ductal Adenocarcinoma-Associated Proteins in Serum. Mol Cell Proteomics. 23 (1), 100687(2024).
  22. Chinese Human Proteome Project (CNHPP) Consortium. Proteomics identifies new therapeutic targets of early-stage hepatocellular carcinoma. Nature. 567 (7747), 257-261 (2019).
  23. Kanehisa, M., Furumichi, M., Sato, Y., Matsuura, Y., Ishiguro-Watanabe, M. KEGG: biological systems database as a model of the real world. Nucl Acids Res. 53 (D1), D672-D677 (2025).
  24. Campello, E., Ilich, A., Simioni, P., Key, N. S. The relationship between pancreatic cancer and hypercoagulability: a comprehensive review on epidemiological and biological issues. Br J Cancer. 121 (5), 359-371 (2019).
  25. Fang, L., Xu, Q., Qian, J., Zhou, J. Y. Aberrant Factors of Fibrinolysis and Coagulation in Pancreatic Cancer. OncoTargets Ther. 14, 53-65 (2021).
  26. Vlodavsky, I., Elkin, M., Ilan, N. Impact of heparanase and the tumor microenvironment on cancer metastasis and angiogenesis: basic aspects and clinical applications . Rambam Maimonides Med J. 2 (1), (2011).
  27. Fröhlich, K., et al. Benchmarking of analysis strategies for data-independent acquisition proteomics using a large-scale dataset comprising inter-patient heterogeneity. Nat Comm. 13 (1), 2622(2022).
  28. Polasky, D. A., et al. MSFragger-Labile: A Flexible Method to Improve Labile PTM Analysis in Proteomics. Mol Cell Proteomics. 22 (5), 100538(2023).
  29. Gerault, M. A., Camoin, L., Granjeaud, S. DIAgui: a Shiny application to process the output from DIA-NN. Bioinfo Adv. 4 (1), (2024).
  30. Hsiao, Y., et al. Analysis and Visualization of Quantitative Proteomics Data Using FragPipe-Analyst. J Proteome Res. 23 (10), 4303-4315 (2024).
  31. Yu, F., Deng, Y., Nesvizhskii, A. I. MSFragger-DDA+ enhances peptide identification sensitivity with full isolation window search. Nat Comm. 16 (1), 3329(2025).
  32. Li, K., Teo, G. C., Yang, K. L., Yu, F., Nesvizhskii, A. I. diaTracer enables spectrum-centric analysis of diaPASEF proteomics data. Nat Comm. 16 (1), 95(2025).
  33. Qiao, R., Li, H., Bian, H., Xin, L., Shan, B. De Novo sequencing-assisted homology search for DIA data analysis enables low abundance peptide variants discovery. Biorvix. 10, (2025).
  34. Meissner, F., Geddes-McAlister, J., Mann, M., Bantscheff, M. The emerging role of mass spectrometry-based proteomics in drug discovery. Nat Rev Drug Disc. 21 (9), 637-654 (2022).
  35. Zheng, Y., et al. Multi-omics data integration using ratio-based quantitative profiling with Quartet reference materials. Nat Biotechnol. 42 (7), 1133-1149 (2024).
  36. Bubis, J. A., et al. Challenging the Astral mass analyzer to quantify up to 5,300 proteins per single cell at unseen accuracy to uncover cellular heterogeneity. Nat Meth. 22 (3), 510-519 (2025).
  37. Leutert, M., Entwisle, S. W., Villén, J. Decoding Post-Translational Modification Crosstalk With Proteomics. Mol Cell Proteomics. 20, 100129(2021).
  38. Schneider, M., et al. A Scalable, Web-Based Platform for Proteomics Data Processing, Result Storage and Analysis. Proteome Res. 24 (3), 1241-1249 (2025).
  39. Jalili, V., et al. The Galaxy platform for accessible, reproducible and collaborative biomedical analyses: 2020 update. Nucl Acids Res. 48 (W1), W395-W402 (2020).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Proteomic Data AnalysisData Dependent AcquisitionData Independent AcquisitionProtein QuantificationVolcano PlotGene Ontology AnalysisKEGG Pathway AnalysisProtein Interaction Network

Verwandte Artikel