Waiting
Elaborazione accesso...

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

Biochemistry

En integreret arbejdsgang med identifikation og kvantificering på FDR-kontrolbaseret ikke-målrettet metabolom

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

Vi konstruerede en ikke-målrettet metabolomisk arbejdsgang, der integrerede XY-Meta og metaX sammen. I denne protokol viste vi, hvordan man bruger XY-Meta til at generere et lokkespektralbibliotek fra open access-spektrereference, og udførte derefter FDR-kontrol og brugte metaX til at kvantificere metabolitterne efter at have identificeret metabolomics-spektrene.

Abstract

Ikke-målrettede metabolomics teknikker er blevet udbredt i de senere år. Den hurtigt stigende gennemstrømning og antallet af prøver skaber imidlertid en enorm mængde spektre, hvilket giver udfordringer for kvalitetskontrol af massespektrometrispektrene. For at reducere de falske positiver er falsk opdagelsesrate (FDR) kvalitetskontrol nødvendig. For nylig udviklede vi en software til FDR-kontrol af ikke-målrettet metabolomidentifikation, der er baseret på en Target-Decoy-strategi ved navn XY-Meta. Her demonstrerede vi en komplet analysepipeline, der integrerer XY-Meta og metaX sammen. Denne protokol viser, hvordan man bruger XY-meta til at generere en lokkedatabase fra en eksisterende referencedatabase og udføre FDR-kontrol ved hjælp af Target-Decoy-strategien til storstilet metabolomidentifikation på et open-access datasæt. Differentialanalysen og metabolitannoteringen blev udført efter at have kørt metaX for påvisning og kvantificering af metabolitter. For at hjælpe flere forskere udviklede vi også en brugervenlig cloud-baseret analyseplatform til disse analyser uden behov for bioinformatikfærdigheder eller computersprog.

Introduction

Metabolitter spiller vigtige roller i biologiske processer. Metabolitter er ofte regulatorer af forskellige processer som energioverførsel, hormonreguleringer, regulering af neurotransmittere, cellulær kommunikation og protein posttranslationelle modifikationer osv. 1,2,3,4. Ikke-målrettet metabolomics giver et globalt overblik over talrige metabolitter 5,6. Med fremskridt inden for massespektrometri og kromatografiteknologier er gennemstrømningen af metabolom MS / MS-spektre hurtigt stigende i de senere år 7,8,9,10,11. For at identificere metabolitter fra disse enorme datasæt blev der udviklet forskellige annotationssoftware11, såsom MZmine12, MS-FINDER13, CFM-ID14, MetFrag15 og SLAW16. Disse identifikationer indeholder dog ofte mange falske positiver. Årsagerne omfatter: (1) MS/MS-spektrene indeholder tilfældig støj, som kan vildlede peak matching. (2) Isomerer og forskelle i fragmenteringsenergier forårsager flere spektre fingeraftryk og øger dermed volumenet af referencebiblioteket. (3) Referencebibliotekernes kvalitet varierer. En ordentlig standard til at opbygge et godt referencespektralbibliotek er nødvendig. Derfor er en systematisk falsk opdagelseshastighed (FDR) kontrol for ikke-målrettet metabolomics afgørende for funktionel metabolomforskning 7,8,9,17.

Både Empirical Bayes-tilgangen og Target-Decoy-strategien tacklede FDR-kontrolproblemet generelt. Kerstin Scheubert et al. viste, at Target-Decoy-strategien på lokkedatabase genereret fra fragmenteringstræbaseret metode er den bedste metode til FDR-kontrol9. Xusheng Wang et al. designede en metode til lokkemadsgenerering baseret på oktetreglen i kemi og forbedrede præcisionen af FDR-estimering17. Spektralbiblioteket til generering af lokkedatabase blev demonstreret for bedre ydeevne18. Her forbedrede vi den spektrale biblioteksbaserede metode og udviklede en software kaldet XY-Meta19 , der yderligere kan forbedre FDR-estimeringens præcision. Det bruger det eksisterende referencespektralbibliotek til at generere et lokkebibliotek til FDR-kontrollen under Target-Decoy-ordningen. XY-Meta understøtter sine egne spektrematchnings- og cosinuslighedsalgoritmer. Det tillader konventionelle søge- og iterative søgetilstande. I trinnet med FDR-vurdering understøtter den Target-Decoy-sammenkædet tilstand og adskilt tilstand. For bedre fleksibilitet accepterer XY-Meta eksterne lokkebiblioteker.

Peak-detektion og kvantificering af metabolitter er også et vigtigt trin i ikke-målrettet metabolomanalyse. Peak detektion er den vigtigste metode til metabolomidentifikation. Generelt blev nøjagtigheden af maksimal påvisning af metabolitter påvirket af flere faktorer, såsom støjsignaler fra massespektrometri, lav forekomst af metabolitter, forurenende stoffer og nedbrydningsprodukter af metabolitter20. Når antallet af prøver af er for stort, eller væskekromatografikolonnen blev erstattet i forsøg med ikke-målrettet metabolom, kan der forekomme bemærkelsesværdige batcheffekter, hvilket er en stor udfordring for metabolomkvantificering 21,22,23. I øjeblikket kan software som XCMS24, Workflow4Metabolomic25, iMet-Q26 og metaX19 udføre peak detection og kvantificering af ikke-målrettet metabolom, men vi foreslår, at pipelinen af metaX er mere komplet og lettere at bruge. Her demonstrerer vi processen med identifikation og FDR-kontrol for et offentligt tilgængeligt datasæt msv000084112 ved hjælp af XY-Meta og peak-detektion og kvantificering af metabolitter ved hjælp af metaX. Denne arbejdsproces kræver kun to grupper, og hver gruppe skal bruge mindst to eksempler. MS/MS-spektredata er nødvendige, uanset massespektrometerplatform, ioniseringstilstand, opladningstilstand og prøvetype, og kan understøtte prøvebaseret normalisering og peak-baseret normalisering. Efter dette eksempel kan forskere udføre metabolomics identifikation og kvantificering på en let at håndtere måde. Brug af denne pipeline kræver R-programmeringskapacitet. For at hjælpe forskeren uden nogen programmeringskendskab udviklede vi også en cloud-analyseplatform til metabolomics-analyse. Vi demonstrerede denne cloud-analyseplatform i Supplementary Material 5.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Forbered metabolomics datasæt til analyse

BEMÆRK: I denne demonstration bruger vi metabolomics datasæt uden QC-prøve. Der er behov for data for sags- og kontrolgrupper. Til demonstration bruger vi et offentligt datasæt i GNPS-database27.

  1. Gå til websiden https://gnps.ucsd.edu/ProteoSAFe/static/gnps-splash.jsp. Klik på Gennemse datasæt.
  2. Søg på nøgleordet "msv000084112" i kolonnen Titel . Klik på datasættets id-nummer for at få flere oplysninger, og download datasættet ved hjælp af FTP.
  3. Sæt de rå data i mappen /msv000084112.
    BEMÆRK: Dette datasæt blev erhvervet ved hjælp af C18 RP-UHPLC på Q Exactive-platformen i positiv tilstand. Det repræsenterer en kohorte med en ukarakteriseret sygdom i metabolismen af urinprøvedata, herunder 33 prøver af raske mennesker, 12 blindprøver, to blandingsprøver og 82 prøver af patienter28 (supplerende materiale 8). For at demonstrere arbejdsgangen valgte vi tilfældigt seks prøver af raske mennesker (NH) som en kontrolgruppe og seks prøver med sygdommen (NT) som en casegruppe til at udføre arbejdsgangen.

2. Konvertering af dataformat

BEMÆRK: Hvis datasættet er de rådata, der genereres direkte fra massespektrometeret, er det normalt i .raw-, .wiff- eller .cdf-format. De skal konverteres til mzXML- og mgf-formater. Her bruger vi msconvert-værktøjet i ProteoWizard29-pakken til at udføre formatkonverteringen.

  1. Download ProteoWizard fra https://proteowizard.sourceforge.io/download.html og installer den.
  2. Konverter dataformat ved hjælp af msconvert.exe under ProteoWizard-installationsstien.
    1. Konverter de rå data til mzXML-format og gem dem i /mzXML-mappe:/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. Konverter raw/mzXML-dataene til mgf-format, og gem dem i /mgf-mappen:/msconvert.exe /msv000084112/*.raw -o /msv000084112/mgf/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mgf --mz64 --filter "msLevel 1-2" --filter "titleMaker ... ".

3. Forbered referencespektralbiblioteket for metabolitterne

BEMÆRK: XY-meta understøtter kun referencespektralbibliotekerne i mgf-format.

  1. Gå til websiden https://gnps.ucsd.edu/ProteoSAFe/libraries.jsp. Søg på nøgleordet "NIST" for at finde varen. Klik på Vis for at få flere oplysninger, og download biblioteket.
    BEMÆRK: GNPS Public Spectral Libraries indsamlede mange metabolitter biblioteker, arrangeret i type, oprindelse, art og indsamlingsformer. Selvom kun en lille brøkdel af disse biblioteker genereres ved hjælp af standardmaterialer, er de normalt tilstrækkelige til de fleste grundforskning.
  2. Sæt det downloadede bibliotek GNPS-NIST14-MATCHES.mgf i mappen /database.

4. Identifikation af metabolitter og FDR-kontrol

  1. Download XY-meta (Windows-version). Find parameterkonfigurationsfilen parameter.default under mappen /XY-Meta-Win/config/. Ændre indholdet i henhold til supplerende materiale 1.
    BEMÆRK: I opløsning danner metabolitter ofte addukter med anioner eller kationer, hvilket fører til et masseskift af moderioner. Derfor er det nødvendigt at indstille typerne af addukter. Vi leverede adduktlister til ionbytningskolonne og omvendte analytiske kolonner under positiv ladningstilstand og negativ ladningstilstand i mappen /adduct. Brugere kan også redigere deres egen adduktliste i henhold til deres forskningsprojekt. Tilføjelseslisten skal være i samme format som den angivne liste.
  2. Udfør metabolitidentifikation og FDR-kontrol ved hjælp af 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.
    BEMÆRK: XY-Meta understøtter ikke jokertegn i parametre. Derfor skal en enkelt kommando bruges til at behandle hver mgf-fil. For et stort antal filer anbefales en batchfil.

5. Differentiel analyse

BEMÆRK: metaX er en open source R-pakke. Installer det i henhold til vejledningen på https://github.com/wenbostar/metaX. 8 GB RAM er påkrævet til denne analyse.

  1. Rediger en sampleList.txt-fil for at angive eksemplet og de tilsvarende MS-data. Der henvises til supplerende materiale 2.
    BEMÆRK: metaX understøtter kvantitativ analyse for datasættene med QC-prøver. Når du bruger QC-prøver, skal du ændre klasseegenskaben til NA for QC-prøver.
  2. Opret / output mappe for at gemme resultaterne af kvantitativ analyse. Brug R til at køre scriptet i Supplementary Material 3 for at bruge metaX til at kvantificere MOCK- og WT-grupperne.
    BEMÆRK: Før du kører scriptet i Supplerende materiale 3, skal du ændre stierne i scriptet til de faktiske lokale stier.

6. Integration af kvalitative og kvantitative resultater

  1. Kør R-scriptet i supplerende materiale 4 for at kommentere toppe i kvalitativ og kvantitativ analyse ved hjælp af metabolitidentifikationer.
    BEMÆRK: Før du kører scriptet i Supplerende materiale 4, skal du ændre stierne i scriptet til dine faktiske lokale stier.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

De rå data for msv000084112 blev konverteret af msconvert.exe og genererede mgf-filer (Supplementary Material S6).

XY-Meta genereret GNPS-NIST14-MATCHES_Decoy.mgf fil under /database mappe. Dette er lokkebiblioteket genereret fra det originale referencespektralbibliotek GNPS-NIST14-MATCHES.mgf. Dette lokkebibliotek kan genbruges. Når du genbruger dette lokkebibliotek, skal brugeren indstille decoy_pattern som 1 i parameter.default-filen og indstille decoyinput som den absolutte sti til lokkebiblioteket. Identifikationsresultaterne blev genereret under mappen /mgf (med endelsen .meta), som omfatter spektrematchningsscorer, FDR, m/z af metabolitterne, retentionstid og navnet på metabolitterne (supplerende materiale 7).

Den kvantitative analyse af metaX var i mappen /output. Den generelle kvantitative fordeling af NH og NT er ens med lave udsving i middelværdierne (figur 1A). Der var kun en lille brøkdel af de manglende værdier: kun 3,39% af metabolitterne har mere end 30% af de manglende værdier (figur 1B). metaX øgede bemærkelsesværdigt andelen af metabolitter med CV ≤ 0,3 (figur 1C). Kassediagrammerne blev gemt i mappen /metaX_box. Elueringsprofilerne blev gemt i mappen /metaX_eic. Metabolittoppene blev registreret i metaX-funktion.txt. De kvantitative værdier af de metabolitter, der blev identificeret i begge grupper, og resultaterne af differentialanalysen blev lagret i metaX_peaks.txt (figur 1D). Anvendelse af tærsklen på | LogFC| ≥ 1 og p-værdi < 0,05 blev 342 metabolitter påvist differentielt, med 206 opregulerede og 136 nedregulerede (supplerende materiale 9).

Vi kommenterede metaX detekterede toppe ved hjælp af FDR < 0,01 identifikationer. Hvis en top kan kommenteres af flere metabolitter, tog vi den med den højeste spektrummatchningsscore som den endelige annotation. Ved hjælp af disse kriterier kommenterede vi seks differentielle metabolittoppe (figur 2).

Figure 1
Figur 1. Kvantitativ analyse af metaX. (A) Boksdiagram over kvantificerede metabolitter af alle prøver. (B) Histogram over manglende værdifordeling. C) PCA-plot af to gruppeprøver. D) Venn-diagram over differentielt påviste metabolitter fra tre statistiske testmetoder. Klik her for at se en større version af denne figur.

Figure 2
Figur 2. Retentionstid (RT) og m/z-fordeling af alle kommenterede metabolitter. Røde prikker repræsenterer de signifikante og differentielt påviste metabolitter. Klik her for at se en større version af denne figur.

Supplerende materiale 1: Parameterfilen til XY-Meta. Klik her for at downloade denne fil.

Supplerende materiale 2: Gruppering af informationsark med prøver til metaX. Klik her for at downloade denne fil.

Supplerende materiale 3: Scriptet til integration af arbejdsgangen i XY-Meta og metaX. Klik her for at downloade denne fil.

Supplerende materiale 4: Scriptet til annotering af toppe ved hjælp af metabolomidentifikationer. Klik her for at downloade denne fil.

Supplerende materiale 5: En komplet arbejdsgang til metabolomanalyse ved hjælp af cloud-platformen. Klik her for at downloade denne fil.

Supplerende materiale 6: En mgf-fil konverteret fra msconvert til en prøvedata af msv000084112. Klik her for at downloade denne fil.

Supplerende materiale 7: En identifikationsresultattabel fra XY-Meta for en eksempeldata for msv000084112. Klik her for at downloade denne fil.

Supplerende materiale 8: Kohorten kliniske informationsark af msv000084112. Klik her for at downloade denne fil.

Supplerende materiale 9: Identifikationsliste over alle metabolitter og differentialanalyseresultater for alle metabolittops. Klik her for at downloade denne fil.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

FDR-kontrollen af ikke-målrettede metabolitter har været en stor udfordring. Her demonstrerede vi en komplet pipeline af storstilet ikke-målrettet metabolomics-analyse (kvalitativ og kvantitativ) med FDR-kontrol. Dette reducerer effektivt de falske positiver, som er meget almindelige i MS-analyse.

Forberedelse af et passende referencespektralbibliotek til din undersøgelse er et centralt punkt. En vellykket og følsom MS/MS-identifikation kræver ikke kun korrekte matchningsalgoritmer, men også korrekte referencespektralbiblioteker. Anvendeligheden af offentlige spektralbiblioteker er begrænset af følgende årsager: (1) mange offentlige spektralbiblioteker indeholder ikke komplette metabolitlister. (2) Spektrene i offentlige spektralbiblioteker stammer fra forskellige ms-instrumenter og/eller forskellige fragmenteringsbetingelser30,31. Derfor foreslår vi, at du samler spektre i det samme instrument og de samme fragmenteringsbetingelser ved hjælp af standardmetabolitter til at konstruere et "eksklusivt" spektralbibliotek. Disse forhold bør også opretholdes under de faktiske målinger. Ved ændring af parameterfilen skal tolerancen for prækursorionerne og fragmentionerne desuden falde sammen med instrumentets parametre. Normalt bør området for prækursortolerance være mellem 10 ppm og 20 ppm, og fragmenttolerancen bør fastsættes mellem 0,01 Da og 0,5 Da. For dette datasæt er instrumentets parametre ukendte, men fragmenttolerancen på 0,05 Da er et konservativt valg for denne arbejdsgang at fungere normalt.

Brugere kan stadig modtage forskellige fejlmeddelelser, når de kører denne pipeline. Almindelige fejl omfatter fejlagtig inputfilsti, manglende parameterfil og filadgangskonflikt (f.eks. adgang nægtet af operativsystemet og samtidig adgang til den samme fil).

Det skal bemærkes, at denne arbejdsgang i øjeblikket kun gælder for den målrettede og ikke-målrettede metabolomiske analyse af små molekyler mindre end 1.000 Da og kan ikke bruges til at analysere metabolomerne i makromolekyler såsom glycankæder eller lipidkæder. Derudover er både datauafhængige anskaffelsesdata (DIA) og ionmobilitetsdata ikke egnede til analyse med denne arbejdsgang. Denne arbejdsgang understøtter ikke brugen af m/z og retentionstid for metabolitter til at kommentere peak detection-resultater og understøtter kun differentialanalyse af to grupper af data med mere end to prøver.

I lang tid har identifikationsresultaterne af ikke-målrettet metabolom domineret af peak detection-teknologi haft en tendens til at indeholde mange falske positiver, hovedsageligt på grund af det store antal metabolitisomerer og forskellige ioniske adduktformer. Sammenligning af MS/MS-spektrene for metabolitter med referencespektrene for kendte metabolitter kan opløse metabolitternes struktur for at skelne isomerer32. En metabolit kan imidlertid ikke identificeres, hvis referencespektret for en metabolit ikke er offentligt eller kommercielt tilgængeligt7. Derfor er det en stor udfordring at opbygge et pålideligt bibliotek af metabolitreferencespektre. Referencespektre af lav kvalitet og med lignende struktur fører til tilfældig matchning af eksperimentelle spektre. Derfor er FDR-kontrol af identifikationsresultater nødvendig for at sikre sikre identifikationer. Brugere kan bruge denne pipeline til automatisk at identificere metabolom med FDR-kontrol samt kvantificering og differentialanalyse ved at levere de nødvendige inputdata som den krævede protokol. Det er praktisk og økonomisk for mange forskere, især for begyndere.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter.

Acknowledgments

Dette arbejde understøttes af National Key Research and Development Program (2018YFC0910200/2017YFA0505001) og Guangdong Key R&D Program (2019B020226001).

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

Biokemi udgave 187
En integreret arbejdsgang med identifikation og kvantificering på FDR-kontrolbaseret ikke-målrettet metabolom
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