Name: Naviguer dans les données protéomiques basées sur la spectrométrie de masse à l’aide d’outils de calcul gratuits (Vidéo) | JoVE Journal
Uploaded: 2025-08-19T14:40:00.000+00:00
Duration: 7 min 1 s
Description: Apprenez à analyser des données protéomiques par spectrométrie de masse à l'aide d'outils gratuits comme DIA-NN et MSFragger. Cette méthode permet d'identifier des changements d'expression génique dans le cancer du pancréas et le carcinome hépatocellulaire.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

REMARQUE : Voir la figure 1pour une vue d’ensemble du flux de travail et la table des matériaux pour une description détaillée du logiciel utilisé.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68707/68707fig1.jpg"> 
Figure 1 : Vue d’ensemble de la conception de l’étude. <a href="https://www.jove.com/files/ftp_upload/68707/68707fig1large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
1. Exemple de configuration de fichier et de logiciel
REMARQUE : Toutes les applications sont gratuites pour une utilisation de recherche individuelle et peuvent être exécutées sur un ordinateur personnel (Windows et Linux sont pris en charge).
<ol>
	<li>Créez un répertoire pour un projet.</li>
	<li>Télécharger 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 de PRIDE. REMARQUE : les deux groupes de fichiers peuvent être téléchargés à partir de https://www.ebi.ac.uk/pride/archive/projects/PXD039273 et https://www.ebi.ac.uk/pride/archive/projects/PXD006512 séparément (Figure 2).</li>
	<li>Téléchargez et installez les outils logiciels requis.<ol>
		<li>Téléchargez la dernière version de DIA-NN sous forme de fichier .msi. DIA-NN est disponible gratuitement sous forme de fichier .msi pour Windows ou de fichier .zip pour Linux à partir de https://github.com/vdemichev/DiaNN/releases/tag/2.0</li>
		<li>Téléchargez la dernière version de MSFileReader sous forme de fichier .exe. MSFileReader est disponible gratuitement sous forme de fichier .exe de https://github.com/thermofisherlsms/MSFileReader/blob/main/MSFileReader_x64.exe, qui est nécessaire pour traiter les données DIA Thermo Fisher formatées brutes.</li>
		<li>Téléchargez la dernière version du SDK .NET sous forme de fichier .exe. Le SDK .NET est disponible gratuitement sous la forme d’un fichier .exe à partir de https://dotnet.microsoft.com/en-us/download, qui est requis dans Windows pour exécuter MSFileReader.</li>
		<li>Téléchargez la dernière version de FragPipe sous forme de fichier .zip. FragPipe est disponible gratuitement sous forme de fichier .zip à partir de https://github.com/Nesvilab/FragPipe/releases. Le fichier zip avec jre est recommandé car il contient un runtime Java pour Windows, qui est nécessaire pour exécuter FragPipe. MSFragger est intégré dans le FragPipe.</li>
	</ol>
	</li>
	<li>Téléchargez la dernière version des fichiers R et Rstudio et R script à partir du Fichier supplémentaire 1 et du Fichier supplémentaire 2. R et RStudio peuvent être téléchargés gratuitement à partir de https://cran.rstudio.com/bin/windows/base/R-4.5.0-win.exe et https://posit.co/download/rstudio-desktop/.</li>
	<li>Décompressez les fichiers compressés et cliquez sur l’icône . exe ou .msi pour installer les applications.</li>
</ol>
2. Analyse des données DIA à l’aide de DIA-NN
<ol>
	<li>Téléchargez le fichier de référence proteome fasta d’UniProt. Pour télécharger le protéome de référence de l’Homo sapiens (informations sur les isoformes non incluses), rendez-vous sur https://www.uniprot.org/proteomes/UP000005640 (Figure 3A).</li>
	<li>Cliquez sur le bouton Ajouter FASTA pour charger le fichier de protéome de référence dans DIA-NN.</li>
	<li>Sélectionnez les deux options FASTA digest pour la recherche sans bibliothèque / génération de bibliothèque et Spectres basés sur l’apprentissage profond, prédiction des RT et des lMs sous la partie Génération d’ions précurseurs. Cliquez sur le bouton Exécuter pour générer une bibliothèque spectrale prédite (Figure 3B).<ol>
		<li>Une fois que le fichier de la bibliothèque spectrale prédite a été généré, réutilisez-le pour d’autres expériences dans les mêmes paramètres d’acquisition expérimentale en cliquant sur le bouton Spectral pour ajouter la bibliothèque prédite.</li>
	</ol>
	</li>
	<li>Désélectionnez les deux options sous la partie Génération d’ions précurseurs et cliquez sur le bouton Type qui correspond au format de fichier sous la partie Entrée pour charger les données DIA.</li>
	<li>Définissez la précision de masse et la précision MS1 sous l’algorithme sur 0,0 ppm.</li>
	<li>Ajustez les paramètres de plage de masse des précurseurs et des fragments sous Génération d’ions précurseurs en fonction des paramètres expérimentaux.</li>
	<li>Conservez les autres paramètres par défaut.<ol>
		<li>La génération de précurseurs de DIA-NN utilise la trypsine/P (clivage après K/R à moins qu’il ne soit suivi de proline) avec 1 clivage manqué pour modéliser la digestion partielle ; désactiver l’excision M à terme N pour les peptides non canoniques (par exemple, immunopeptidomiques) ou augmenter les clivages manqués à 2 pour les peptides plus longs.</li>
		<li>Activez explicitement les modifications de variables (désactivées par défaut) pour les études de modification post-traductionnelle (PTM) (par exemple, Ox (M) pour l’oxydation, K-GG pour l’ubiquitination), et étendez les filtres peptidiques (longueur : 7-30 aa ; charge : 1-4+ ; précurseur m/z : 300-1800) en fonction des paramètres expérimentaux (par exemple, longueur : 5-50 aa, charge = 1-6) pour les PTM de grande taille ou les digestions non tryptiques.</li>
		<li>Les paramètres de l’algorithme exploitent l’étalonnage automatique (précision de masse = 0,0 ppm) pour un alignement précis de la masse (remplacement par des tolérances manuelles (par exemple, 10 ppm) pour les instruments à basse résolution, et la fonction MBR (Match Between Runs) transfère les ID entre les cycles (désactivée pour les échantillons hétérogènes).</li>
		<li>La notation du réseau neuronal renforce la confiance dans l’identification (à moins que la qualité des données ne soit médiocre), tandis que la spectrométrie de masse quantitative non étiquetée (UMS) permet une quantification de haute précision sans marquage ; passer à la quantification MS2 pour les marqueurs isobares (par exemple, TMT). Utilisez la recherche sans bibliothèque uniquement avec des données DIA haute résolution pour contourner les exigences de la bibliothèque spectrale.</li>
	</ol>
	</li>
	<li>Cliquez sur le bouton Exécuter . Attendez les résultats jusqu’à ce que l’option Terminé s’affiche dans l’interface de fonctionnement pour indiquer que l’exécution est terminée (Figure 3C).</li>
</ol>
3. Analyse des données DDA à l’aide de FragPipe
<ol>
	<li>Cliquez sur l’icône Fragpipe dans le dossier ~\FragPipe\fragpipe\bin après l’installation. Tous les paramètres dépendants peuvent être consultés dans l’onglet Config. Vérifiez si les trois modules (MSFragger, IonQuant, diaTracer, DIA-NN et Python) existent sur votre ordinateur. Si ce n’est pas le cas, téléchargez-les en cliquant sur Télécharger/Mettre à jour ou Télécharger (Figure 4A).</li>
	<li>Passez à l’onglet suivant, Workflow. Sélectionnez Par défaut pour le flux de travail et cliquez sur Charger le flux de travail. Cliquez sur Ajouter des fichiers pour ajouter des chemins d’accès aux fichiers. Attribuez le nom de l’expérience et le numéro de bioréplication sous Attribuer des fichiers ou laissez-le simplement (Figure 4B).</li>
	<li>Maintenant, cliquez sur Base de données et tournez-vous vers cet onglet. Chargez un fichier fasta ou téléchargez n’importe quel fichier fasta en fonction de l’espèce des échantillons. Lors du téléchargement, choisissez les options Séquences examinées uniquement, Ajouter des leurres et Ajouter des contaminants courants pour une exécution simple (Figure 4C).</li>
	<li>Cliquez ensuite sur MSFragger pour changer d’onglet. Choisissez la configuration par défaut de la recherche fermée et cliquez sur Charger. REMARQUE : La recherche fermée est essentiellement une recherche des modifications que vous avez définies, tandis que la recherche ouverte explorera toutes les modifications possibles à partir des données, ce qui prend plus de temps et de mémoire.</li>
	<li>Pour l’appariement des pics, conservez les paramètres par défaut, sauf qu’il est recommandé de choisir Aucun pour l’étalonnage et l’optimisation, car cela vous fera gagner du temps.</li>
	<li>Pour la digestion des protéines, ajustez les paramètres en fonction des conditions expérimentales. Conservez les paramètres par défaut suivants (Figure 5A). REMARQUE : Les tolérances de masse des précurseurs et des fragments (± 20 ppm) définissent l’erreur de masse maximale autorisée pour l’appariement des spectres expérimentaux aux peptides théoriques, avec des valeurs plus strictes recommandées pour les instruments à haute résolution. Les règles enzymatiques (trypsine stricte) spécifient la spécificité du clivage (après K/R, sauf si suivi de P), les clivages manqués (2) permettant des peptides partiellement digérés. Les filtres de longueur (5 à 50 résidus) et de masse (500 à 5000 Da) des peptides excluent les candidats improbables. Les modifications variables (par exemple, +15,9949 Da sur la méthionine pour l’oxydation, +79,96633 Da sur S/T/Y pour la phosphorylation) permettent de détecter les altérations chimiques, tandis que les combinaisons Max (5) limitent les modifications simultanées par peptide pour gérer l’espace de recherche. Le nombre maximum de mods variables par site (par exemple, 3 sur M) contrôle la fréquence de modification. La base de données divisée améliore l’efficacité des grands protéomes, et l’erreur isotopique (0/1/2) tient compte des pics isotopiques mal attribués. Ces paramètres équilibrent collectivement la sensibilité, la spécificité et la charge de calcul dans l’identification des peptides.</li>
	<li>Passez à l’onglet Validation. Désélectionnez Prédire RT et Prédire les spectres, qui s’applique aux données DIA (Figure 5B).</li>
	<li>Cliquez sur l’onglet Quant (MS1). Sélectionnez Exécuter MS1 quant et cliquez sur Charger les paramètres par défaut de Quant. Sélectionnez IonQuant et conservez les paramètres par défaut (Figure 6A). Désactivez MBR pour les temps de rétention instables ou désactivez la normalisation de l’intensité si des biais de mise à l’échelle globaux en résultent ; activez l’option Conserver l’index sur le disque pour économiser la RAM avec des jeux de données volumineux. REMARQUE : Par défaut, Quant (MS1) optimise la quantification sans marquage à l’aide de MaxLPQ (MaxLFQ-based Protein Quantification, un algorithme étendant la méthode MaxLFQ aux groupes de protéines), nécessitant ≥1 ion unique par protéine (augmentation à ≥2 pour une plus grande rigueur au détriment de la couverture). La correspondance entre les cycles (MBR) transfère les identifications entre les exécutions à l’aide de la tolérance de temps de rétention (RT) (par défaut 0,4 min ; serrage à 0,2 min pour la chromatographie stable ou desserrage pour la variabilité du gradient) et de la tolérance de mobilité ionique (IM) (par défaut 0,05 1/k0 [mobilité réduite inverse] ; ajustement en fonction de la précision de l’IM), filtrée par ≤1 % FDR (taux de fausses découvertes ; MBR par défaut FDR = 0,01 ; inférieur à 0,005 pour la rigueur). L’inférence protéique utilise uniquer+rascor (attribution de peptides de rasoir pour le regroupement des protéines). La détection des caractéristiques utilise une tolérance de masse de 10 ppm (augmentation à 20 ppm pour la spectrométrie de masse basse résolution ou diminution à 5 ppm pour la haute résolution).</li>
	<li>Maintenant, cliquez sur l’onglet Exécuter . Sélectionnez Répertoire de sortie. Cliquez sur RUN pour commencer à analyser les données (Figure 6B). REMARQUE : Pour les données protéomiques sans marquage qui ne se concentrent pas sur les modifications ou n’utilisent pas la quantification basée sur l’étiquette, les onglets PTM, Glyco et Quant (isobarique) ne sont pas utilisés.</li>
</ol>
4. Analyse en aval DIA-NN/FragPipe
REMARQUE : Les codes détaillés utilisés dans cette étude sont inclus dans le Fichier supplémentaire 1 et le Fichier supplémentaire 2. Les versions des progiciels utilisées dans cette étude se trouvent dans le Dossier supplémentaire 3.
<ol>
	<li>Ouvrez RStudio et lisez les données d’expression protéique générées par DIA-NN ou FragPipe. Les données de matrice de groupes de protéines se terminant par .pg_matrix.tsv de DIA-NN et les données de protéines combinées se terminant par .tsv de FragPipe sont normalement utilisées pour l’analyse.</li>
	<li>Supprimer les valeurs manquantes sans renseigner NA et filtrer les groupes protéiques identifiés et quantifiés avec moins de deux peptides uniques. REMARQUE : Les chiffres de la DIA dans cette étude ont été générés par des groupes de protéines filtrées, tandis que les chiffres de la DDA provenaient de groupes de protéines non filtrées.</li>
	<li>Normalisez l’intensité des protéines à l’aide de la mise à l’échelle médiane ou de la normalisation quantile sur les échantillons. Les données DIA de cette étude ont été normalisées par la normalisation médiane, tandis que les données DDA ont été normalisées par normalisation quantile pour mieux illustrer les deux méthodes. REMARQUE : La normalisation médiane est robuste contre les valeurs aberrantes et convient aux scénarios où la majorité des protéines restent inchangées dans les échantillons, ce qui fait de l’abondance médiane des protéines un point de référence stable. Cependant, il peut échouer dans les scénarios où les protéines sont fortement exprimées de manière différentielle18. La normalisation quantile assure une distribution uniforme des abondances de protéines entre les échantillons, ce qui est utile lorsque l’on compare des échantillons ayant des distributions disparates. Il a été démontré qu’elle réduit la puissance statistique et peut surnormaliser les données, masquant potentiellement les véritables différences biologiques18. En protéomique, la normalisation médiane est largement utilisée dans les études sans marquage pour éliminer les biais systématiques liés à la performance des instruments MS. La normalisation quantile est préférée pour les jeux de données à grande échelle, l’analyse d’expression différentielle et l’analyse de cluster19,20.</li>
	<li>Calculez les variations de multiplication log2 (p. ex., PDAC sérique par rapport à normale) et les valeurs p du test t. Calculez les valeurs p corrigées à l’aide de la méthode de Benjamini-Hochberg. Définissez des seuils de signification (p. ex., |log2FC| &gt; 1, p_adj (FDR) &lt; 0,05). REMARQUE : Les valeurs seuils de p utilisées dans les chiffres de cette étude représentent des valeurs brutes, car l’utilisation de valeurs de p ajustées (p_adj) éliminerait toutes les protéines détectables dans la limite de la puissance statistique de ces ensembles de données limités.</li>
	<li>Vérifiez l’existence de valeurs manquantes/NA et excluez-les. Générez un graphique du volcan pour visualiser les impacts significatifs.</li>
	<li>Sélectionnez des protéines significativement dérégulées. Appliquez la normalisation du score Z aux valeurs d’expression des protéines. Tracez une carte thermique en cluster avec des annotations de groupe d’échantillons.</li>
	<li>Mappez les protéines aux Entrez ID à l’aide de org. Hs.eg.db. Effectuer l’enrichissement GO (procédé biologique) et l’analyse de la voie KEGG. REMARQUE : Les catégories de processus biologiques (BP) sont couramment sélectionnées dans l’analyse de l’ontologie génétique (GO) car elles décrivent les processus plus vastes ou les programmes biologiques accomplis par plusieurs activités moléculaires20. Ces termes se concentrent sur les fonctions cellulaires qui se dérèglent dans des maladies comme le cancer, y compris les processus essentiels tels que la régulation du cycle cellulaire, les processus métaboliques, etc. En plus de la BP, l’analyse GO comprend également les catégories de fonction moléculaire (MF) et de composant cellulaire (CC). Les termes MF décrivent les activités biochimiques des produits géniques, tels que le transport d’ions ou les capacités de liaison à l’ADN. Les termes CC définissent les emplacements cellulaires où les produits géniques remplissent leurs fonctions, tels que le noyau, la membrane mitochondriale ou le cytosquelette.</li>
	<li>Interrogez STRINGdb pour les interactions (score de confiance ≥ 400). Générez un réseau interactif à l’aide de visNetwork.</li>
</ol>

<ol><li>Pedrioli, P. G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+common+open+representation+of+mass+spectrometry+data+and+its+application+to+proteomics+research%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">A common open representation of mass spectrometry data and its application to proteomics research.</a> Nat Biotechnol. 22 (11), 1459-1466 (2004).</li>
<li>Perez-Riverol, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+PRIDE+database+at+20+years%3A+2025+update%5BTitle%5D)+AND+%22Nucl+Acids+Res%22%5BJournal%5D)">The PRIDE database at 20 years: 2025 update.</a> Nucl Acids Res. 53 (D1), D543-D553 (2025).</li>
<li>Deutsch, E. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proteomics+Standards+Initiative+at+Twenty+Years%3A+Current+Activities+and+Future+Work%5BTitle%5D)+AND+%22J+Proteome+Res%22%5BJournal%5D)">Proteomics Standards Initiative at Twenty Years: Current Activities and Future Work.</a> J Proteome Res. 22 (2), 287-301 (2023).</li>
<li>Schubert, O. T., Röst, H. L., Collins, B. C., Rosenberger, G., Aebersold, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+proteomics%3A+challenges+and+opportunities+in+basic+and+applied+research%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Quantitative proteomics: challenges and opportunities in basic and applied research.</a> Nat Protoc. 12 (7), 1289-1294 (2017).</li>
<li>Wang, X., Shen, S., Rasam, S. S., Qu, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MS1+ion+current-based+quantitative+proteomics%3A+A+promising+solution+for+reliable+analysis+of+large+biological+cohorts%5BTitle%5D)+AND+%22Mass+Spectro+Rev%22%5BJournal%5D)">MS1 ion current-based quantitative proteomics: A promising solution for reliable analysis of large biological cohorts.</a> Mass Spectro Rev. 38 (6), 461-482 (2019).</li>
<li>Vaudel, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MS2-Based+Quantitation%5BTitle%5D)+AND+%22Proteome+Inform%22%5BJournal%5D)">MS2-Based Quantitation.</a> Proteome Inform. , 155-177 (2016).</li>
<li>Meyer, J. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Qualitative+and+Quantitative+Shotgun+Proteomics+Data+Analysis+from+Data-Dependent+Acquisition+Mass+Spectrometry%5BTitle%5D)+AND+%22Shotgun+Proteomics%22%5BJournal%5D)">Qualitative and Quantitative Shotgun Proteomics Data Analysis from Data-Dependent Acquisition Mass Spectrometry.</a> Shotgun Proteomics. 2259, 297-308 (2021).</li>
<li>Fröhlich, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Data-Independent+Acquisition%3A+A+Milestone+and+Prospect+in+Clinical+Mass+Spectrometry-Based+Proteomics%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">Data-Independent Acquisition: A Milestone and Prospect in Clinical Mass Spectrometry-Based Proteomics.</a> Mol Cell Proteomics. 23 (8), 100800(2024).</li>
<li>Zhang, F., Ge, W., Ruan, G., Cai, X., Guo, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Data-Independent+Acquisition+Mass+Spectrometry-Based+Proteomics+and+Software+Tools%3A+A+Glimpse+in+2020%5BTitle%5D)+AND+%22Proteomics%22%5BJournal%5D)">Data-Independent Acquisition Mass Spectrometry-Based Proteomics and Software Tools: A Glimpse in 2020.</a> Proteomics. 20 (17-18), 1900276(2020).</li>
<li>Deutsch, E. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ProteomeXchange+consortium+at+10+years%3A+2023+update%5BTitle%5D)+AND+%22Nucl+Acids+Res%22%5BJournal%5D)">The ProteomeXchange consortium at 10 years: 2023 update.</a> Nucl Acids Res. 51 (D1), D1539-D1548 (2023).</li>
<li>Demichev, V., Messner, C. B., Vernardis, S. I., Lilley, K. S., Ralser, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DIA-NN%3Aneural+networks+and+interference+correction+enable+deep+proteome+coverage+in+high+throughput%5BTitle%5D)+AND+%22Nat+Meth%22%5BJournal%5D)">DIA-NN:neural networks and interference correction enable deep proteome coverage in high throughput.</a> Nat Meth. 17 (1), 41-44 (2020).</li>
<li>Zhang, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Comparative+Analysis+of+Data+Analysis+Tools+for+Data-Independent+Acquisition+Mass+Spectrometry%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">A Comparative Analysis of Data Analysis Tools for Data-Independent Acquisition Mass Spectrometry.</a> Mol Cell Proteomics. 22 (9), 100623(2023).</li>
<li>Kong, A. T., Leprevost, F. V., Avtonomov, D. M., Mellacheruvu, D., Nesvizhskii, A. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MSFragger%3A+ultrafast+and+comprehensive+peptide+identification+in+mass+spectrometry-based+proteomics%5BTitle%5D)+AND+%22Nat+Meth%22%5BJournal%5D)">MSFragger: ultrafast and comprehensive peptide identification in mass spectrometry-based proteomics.</a> Nat Meth. 14 (5), 513-520 (2017).</li>
<li>Anderson, N. L., Anderson, N. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Human+Plasma+Proteome%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">The Human Plasma Proteome.</a> Mol Cell Proteomics. 1 (11), 845-867 (2002).</li>
<li>Kowal, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proteomic+comparison+defines+novel+markers+to+characterize+heterogeneous+populations+of+extracellular+vesicle+subtypes%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci%22%5BJournal%5D)">Proteomic comparison defines novel markers to characterize heterogeneous populations of extracellular vesicle subtypes.</a> Proc Natl Acad Sci. 113 (8), E968-E977 (2016).</li>
<li>Cao, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proteogenomic+characterization+of+pancreatic+ductal+adenocarcinoma%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Proteogenomic characterization of pancreatic ductal adenocarcinoma.</a> Cell. 184 (19), 5031-5052.e26 (2021).</li>
<li>Dong, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proteogenomic+characterization+identifies+clinically+relevant+subgroups+of+intrahepatic+cholangiocarcinoma%5BTitle%5D)+AND+%22Cancer+Cell%22%5BJournal%5D)">Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma.</a> Cancer Cell. 40 (1), 70-87.e15 (2022).</li>
<li>Dubois, E., Galindo, A. N., Dayon, L., Cominetti, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+normalization+methods+in+clinical+research+applications+of+mass+spectrometry-based+proteomics%5BTitle%5D)+AND+%222020+IEEE+Conf+Computat+Intelligence+Bioinfo+Computat+Biol%22%5BJournal%5D)">Comparison of normalization methods in clinical research applications of mass spectrometry-based proteomics.</a> 2020 IEEE Conf Computat Intelligence Bioinfo Computat Biol. , 1-10 (2020).</li>
<li>Dressler, F. F., Brägelmann, J., Reischl, M., Perner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Normics%3A+Proteomic+Normalization+by+Variance+and+Data-Inherent+Correlation+Structure%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">Normics: Proteomic Normalization by Variance and Data-Inherent Correlation Structure.</a> Mol Cell Proteomics. 21 (9), 100269(2022).</li>
<li>Dimmer, E. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Gene+Ontology+-+Providing+a+Functional+Role+in+Proteomic+Studies%5BTitle%5D)+AND+%22Proteomics%22%5BJournal%5D)">The Gene Ontology - Providing a Functional Role in Proteomic Studies.</a> Proteomics. 8 (23-24), pmic.200800002(2008).</li>
<li>Lih, T. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+Pancreatic+Ductal+Adenocarcinoma-Associated+Proteins+in+Serum%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">Detection of Pancreatic Ductal Adenocarcinoma-Associated Proteins in Serum.</a> Mol Cell Proteomics. 23 (1), 100687(2024).</li>
<li>Chinese Human Proteome Project (CNHPP) Consortium. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proteomics+identifies+new+therapeutic+targets+of+early-stage+hepatocellular+carcinoma%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Proteomics identifies new therapeutic targets of early-stage hepatocellular carcinoma.</a> Nature. 567 (7747), 257-261 (2019).</li>
<li>Kanehisa, M., Furumichi, M., Sato, Y., Matsuura, Y., Ishiguro-Watanabe, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((KEGG%3A+biological+systems+database+as+a+model+of+the+real+world%5BTitle%5D)+AND+%22Nucl+Acids+Res%22%5BJournal%5D)">KEGG: biological systems database as a model of the real world.</a> Nucl Acids Res. 53 (D1), D672-D677 (2025).</li>
<li>Campello, E., Ilich, A., Simioni, P., Key, N. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+relationship+between+pancreatic+cancer+and+hypercoagulability%3A+a+comprehensive+review+on+epidemiological+and+biological+issues%5BTitle%5D)+AND+%22Br+J+Cancer%22%5BJournal%5D)">The relationship between pancreatic cancer and hypercoagulability: a comprehensive review on epidemiological and biological issues.</a> Br J Cancer. 121 (5), 359-371 (2019).</li>
<li>Fang, L., Xu, Q., Qian, J., Zhou, J. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+Factors+of+Fibrinolysis+and+Coagulation+in+Pancreatic+Cancer%5BTitle%5D)+AND+%22OncoTargets+Ther%22%5BJournal%5D)">Aberrant Factors of Fibrinolysis and Coagulation in Pancreatic Cancer.</a> OncoTargets Ther. 14, 53-65 (2021).</li>
<li>Vlodavsky, I., Elkin, M., Ilan, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact+of+heparanase+and+the+tumor+microenvironment+on+cancer+metastasis+and+angiogenesis%3A+basic+aspects+and+clinical+applications+%5BTitle%5D)+AND+%22Rambam+Maimonides+Med+J%22%5BJournal%5D)">Impact of heparanase and the tumor microenvironment on cancer metastasis and angiogenesis: basic aspects and clinical applications .</a> Rambam Maimonides Med J. 2 (1), (2011).</li>
<li>Fröhlich, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Benchmarking+of+analysis+strategies+for+data-independent+acquisition+proteomics+using+a+large-scale+dataset+comprising+inter-patient+heterogeneity%5BTitle%5D)+AND+%22Nat+Comm%22%5BJournal%5D)">Benchmarking of analysis strategies for data-independent acquisition proteomics using a large-scale dataset comprising inter-patient heterogeneity.</a> Nat Comm. 13 (1), 2622(2022).</li>
<li>Polasky, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MSFragger-Labile%3A+A+Flexible+Method+to+Improve+Labile+PTM+Analysis+in+Proteomics%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">MSFragger-Labile: A Flexible Method to Improve Labile PTM Analysis in Proteomics.</a> Mol Cell Proteomics. 22 (5), 100538(2023).</li>
<li>Gerault, M. A., Camoin, L., Granjeaud, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DIAgui%3A+a+Shiny+application+to+process+the+output+from+DIA-NN%5BTitle%5D)+AND+%22Bioinfo+Adv%22%5BJournal%5D)">DIAgui: a Shiny application to process the output from DIA-NN.</a> Bioinfo Adv. 4 (1), (2024).</li>
<li>Hsiao, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis+and+Visualization+of+Quantitative+Proteomics+Data+Using+FragPipe-Analyst%5BTitle%5D)+AND+%22J+Proteome+Res%22%5BJournal%5D)">Analysis and Visualization of Quantitative Proteomics Data Using FragPipe-Analyst.</a> J Proteome Res. 23 (10), 4303-4315 (2024).</li>
<li>Yu, F., Deng, Y., Nesvizhskii, A. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MSFragger-DDA%2B+enhances+peptide+identification+sensitivity+with+full+isolation+window+search%5BTitle%5D)+AND+%22Nat+Comm%22%5BJournal%5D)">MSFragger-DDA+ enhances peptide identification sensitivity with full isolation window search.</a> Nat Comm. 16 (1), 3329(2025).</li>
<li>Li, K., Teo, G. C., Yang, K. L., Yu, F., Nesvizhskii, A. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((diaTracer+enables+spectrum-centric+analysis+of+diaPASEF+proteomics+data%5BTitle%5D)+AND+%22Nat+Comm%22%5BJournal%5D)">diaTracer enables spectrum-centric analysis of diaPASEF proteomics data.</a> Nat Comm. 16 (1), 95(2025).</li>
<li>Qiao, R., Li, H., Bian, H., Xin, L., Shan, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((De+Novo+sequencing-assisted+homology+search+for+DIA+data+analysis+enables+low+abundance+peptide+variants+discovery%5BTitle%5D)+AND+%22Biorvix%22%5BJournal%5D)">De Novo sequencing-assisted homology search for DIA data analysis enables low abundance peptide variants discovery.</a> Biorvix. 10, (2025).</li>
<li>Meissner, F., Geddes-McAlister, J., Mann, M., Bantscheff, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+emerging+role+of+mass+spectrometry-based+proteomics+in+drug+discovery%5BTitle%5D)+AND+%22Nat+Rev+Drug+Disc%22%5BJournal%5D)">The emerging role of mass spectrometry-based proteomics in drug discovery.</a> Nat Rev Drug Disc. 21 (9), 637-654 (2022).</li>
<li>Zheng, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-omics+data+integration+using+ratio-based+quantitative+profiling+with+Quartet+reference+materials%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Multi-omics data integration using ratio-based quantitative profiling with Quartet reference materials.</a> Nat Biotechnol. 42 (7), 1133-1149 (2024).</li>
<li>Bubis, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Challenging+the+Astral+mass+analyzer+to+quantify+up+to+5%2C300+proteins+per+single+cell+at+unseen+accuracy+to+uncover+cellular+heterogeneity%5BTitle%5D)+AND+%22Nat+Meth%22%5BJournal%5D)">Challenging the Astral mass analyzer to quantify up to 5,300 proteins per single cell at unseen accuracy to uncover cellular heterogeneity.</a> Nat Meth. 22 (3), 510-519 (2025).</li>
<li>Leutert, M., Entwisle, S. W., Villén, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoding+Post-Translational+Modification+Crosstalk+With+Proteomics%5BTitle%5D)+AND+%22Mol+Cell+Proteomics%22%5BJournal%5D)">Decoding Post-Translational Modification Crosstalk With Proteomics.</a> Mol Cell Proteomics. 20, 100129(2021).</li>
<li>Schneider, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Scalable%2C+Web-Based+Platform+for+Proteomics+Data+Processing%2C+Result+Storage+and+Analysis%5BTitle%5D)+AND+%22Proteome+Res%22%5BJournal%5D)">A Scalable, Web-Based Platform for Proteomics Data Processing, Result Storage and Analysis.</a> Proteome Res. 24 (3), 1241-1249 (2025).</li>
<li>Jalili, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Galaxy+platform+for+accessible%2C+reproducible+and+collaborative+biomedical+analyses%3A+2020+update%5BTitle%5D)+AND+%22Nucl+Acids+Res%22%5BJournal%5D)">The Galaxy platform for accessible, reproducible and collaborative biomedical analyses: 2020 update.</a> Nucl Acids Res. 48 (W1), W395-W402 (2020).</li>
</ol>

<table><tbody><tr><td>Kit de développement logiciel (SDK) .NET v. 9.0.203</td><td>Microsoft</td><td></td><td>https://dotnet.microsoft.com/en-us/download</td></tr><tr><td>DIA-NN v. 2.1.0</td><td></td><td></td><td>https://github.com/vdemichev/DiaNN/releases/tag/2.0&nbsp ;</td></tr><tr><td>FragPipe v. 22.0</td><td></td><td></td><td>https://github.com/Nesvilab/FragPipe/releases</td></tr><tr><td>MSFileReader v. 3.1&nbsp ;</td><td>Thermo Fisher</td><td></td><td>https://github.com/thermofisherlsms/MSFileReader/blob/main/MSFileReader_x64.exe</td></tr><tr><td>R 4.5.0</td><td></td><td></td><td>https://cran.rstudio.com/bin/windows/base/R-4.5.0-win.exe</td></tr><tr><td>Rstudio c. 2024.12.1+563</td><td></td><td></td><td>https://posit.co/download/rstudio-desktop/</td></tr></tbody></table>

naviguer dans les données protéomiques basées sur la spectrométrie de masse à l’aide d’outils de calcul gratuits

Navigating the Mass Spectrometry-Based Proteomic Data Using Free Computational Tools

Pour mieux illustrer la recherche d’ensembles de données protéomiques, nous avons sélectionné deux types d’ensembles de données pour cette analyse. Dans le but de démontrer des protéines dérégulées dans des contextes cliniques, nous avons effectué une recherche dans PRIDE en utilisant des mots-clés tels que clinique. Plus précisément, nous avons sélectionné un ensemble de données adapté à l’analyse DIA du Consortium d’analyse clinique des tumeurs protéomiques (CPTAC)21</...

Naviguer dans les données protéomiques basées sur la spectrométrie de masse à l’aide d’outils de calcul gratuits

Mass spectrometry (MS)-based proteomics data, including Data-Dependent Acquisition (DDA) and Data-Independent Acquisition (DIA), are widely used in ...

navigating-mass-spectrometry-based-proteomic-data-using-free

Research

Recherche

JoVE Journal

Biology

Biologie

Cette vidéo montre la purification peptidique par la procédure STAGE Tip. Une colonne miniature contenant des billes de résine liées à de longues chaînes d’hydrocarbures facilite la purification basée sur l’interaction hydrophobe. Lors du chargement d’un échantillon de peptide prédigéré dans la colonne, les fragments de peptide se lient aux billes de résine, laissant passer les impuretés. Un tampon d’élution qui perturbe l’interaction hydrophobe est appliqué pour éluer les fragments peptidiques.

Une procédure de pointe STAGE pour le dessalage et la purification des peptides

Ici, nous présentons des protocoles pour la purification par affinité des complexes de protéines et leur séparation par PAGE native bleu, suivie par le profilage de corrélation de la protéine en utilisant le marqueur libre spectrométrie de masse quantitative. Cette méthode est utile pour résoudre interactomes dans des complexes protéiques distincts.

Résoudre les complexes protéiques purifiés par affinité de Blue native PAGE et le profilage de corrélation des protéines

Nous présentons un protocole visant à quantifier avec précision les protéines avec étiquetage isobare, vaste fractionnement, outils bioinformatiques et mesures de contrôle de la qualité en combinaison avec la chromatographie liquide couplée à un spectromètre de masse à haute résolution.

Profilage de Proteome profonde en étiquetage isobare, vaste chromatographie en phase liquide, spectrométrie de masse et Quantification assistée par logiciel

Un protocole détaillé est décrit pour la séparation, l’identification et la caractérisation des proteoforms dans des échantillons de protéine à l’aide de la zone capillaire électrophorèse-electrospray ionisation-spectrométrie de masse (CZE-ESI-MS/MS). Le protocole peut être utilisé pour la caractérisation à haute résolution des proteoforms dans des échantillons de protéine simple et l’identification à grande échelle des proteoforms dans des échantillons de protéome complexe.

Protéomique de haut vers le bas à grande échelle à l’aide de l’électrophorèse de Zone capillaire Tandem Mass Spectrometry

OpenProt est une base de données librement accessible qui applique un modèle de polycistronique du génome des eucaryotes. Nous présentons ici un protocole pour l’utilisation des bases de données de OpenProt lors de l’interrogation des ensembles de données de spectrométrie de masse. À l’aide de OpenProt base de données pour l’analyse des expériences de la protéomique permet la découverte du roman et protéines indétectables.

Basé sur la spectrométrie de masse protéomique des Analyses à l’aide de la base de données OpenProt de dévoiler de nouvelles protéines traduit de cadres ouverts de lecture Non canoniques

Un protocole de cryoslicing polyvalent BN-MS utilisant un microtome est présenté pour le profilage complexome à haute résolution.

Profilage du complexome haute résolution par cryoslicing BN-MS Analysis

Décrit est un workflow protéomique pour identifier des partenaires d'interaction de protéine d'une fraction subcellulaire nucléaire utilisant l'enrichissement d'immunoaffinité d'une protéine donnée d'intérêt et de la spectrométrie de masse sans étiquette. Le flux de travail comprend la fractionnement subcellulaire, l'immunoprécipitation, la préparation de l'échantillon assisté par filtre, le nettoyage hors ligne, la spectrométrie de masse et un pipeline de bioinformatique en aval.

Flux de spectrométrie de masse d'immunoprécipitation sans étiquette pour le profilage de l'interaction nucléaire à grande échelle

Le protocole décrit fournit une analyse protéomique quantitative optimisée des échantillons de tissus à l’aide de deux approches : la quantification basée sur l’étiquette et la quantification sans étiquette. Les approches basées sur l’étiquette ont l’avantage d’une quantification plus précise des protéines, tandis qu’une approche sans étiquette est plus rentable et utilisée pour analyser des centaines d’échantillons d’une cohorte.

Flux de travail complet de protéomique des échantillons de tissus basée sur la spectrométrie de masse

Ici, nous établissons une méthode protéomique basée sur la spectrométrie de masse en utilisant des régions d’intérêt isolées dans des coupes de tissus fixées au formol et incluses dans la paraffine. Ce protocole est utilisé pour analyser le protéome de zones tissulaires spécifiques dans des coupes de tissus archivées fixées au formol et incluses dans la paraffine.

Une approche simplifiée pour la protéomique basée sur la spectrométrie de masse à l’aide de régions tissulaires sélectionnées

Cette vidéo montre la préparation d'un ultra-mince de matrice / analyte couche pour analyser des peptides et des protéines par Matrix-Assisted Laser Désorption Ionisation Mass Spectrometry (MALDI-MS).

Préparation des échantillons MALDI: la méthode de la couche ultra mince

Apprenez à analyser des données protéomiques par spectrométrie de masse à l'aide d'outils gratuits comme DIA-NN et MSFragger. Cette méthode permet d'identifier des changements d'expression génique dans le cancer du pancréas et le carcinome hépatocellulaire.

Naviguer dans les données protéomiques basées sur la spectrométrie de masse à l’aide d’outils de calcul gratuits

Explorer plus de vidéos