Summary
We bouwden een ongerichte metabolomische workflow die XY-Meta en metaX samen integreerde. In dit protocol hebben we laten zien hoe we XY-Meta kunnen gebruiken om een lokspectrale bibliotheek te genereren uit open access spectrareferentie, en vervolgens FDR-controle uitgevoerd en de metaX gebruikt om de metabolieten te kwantificeren na het identificeren van de metabolomics-spectra.
Abstract
Ongerichte metabolomics-technieken worden de laatste jaren veel gebruikt. De snel toenemende doorvoer en het aantal monsters creëren echter een enorme hoeveelheid spectra, waardoor de kwaliteitscontrole van de massaspectrometriespectra wordt uitgedaagd. Om de false positives te verminderen, is kwaliteitscontrole (False Discovery Rate) (FDR) noodzakelijk. Onlangs hebben we een software ontwikkeld voor FDR-controle van ongerichte metaboloomidentificatie die is gebaseerd op een Target-Decoy-strategie genaamd XY-Meta. Hier demonstreerden we een complete analysepijplijn die XY-Meta en metaX samen integreert. Dit protocol laat zien hoe U XY-meta kunt gebruiken om een lokdatabase te genereren uit een bestaande referentiedatabase en FDR-besturing uit te voeren met behulp van de Target-Decoy-strategie voor grootschalige metaboloomidentificatie op een open-access dataset. De differentiële analyse en metabolietenannotatie werden uitgevoerd na het uitvoeren van metaX voor metabolieten pieken detectie en kwantificering. Om meer onderzoekers te helpen, ontwikkelden we ook een gebruiksvriendelijk cloudgebaseerd analyseplatform voor deze analyses, zonder de noodzaak van bioinformaticavaardigheden of computertalen.
Introduction
Metabolieten spelen een belangrijke rol in biologische processen. Metabolieten zijn vaak regulatoren van verschillende processen zoals energieoverdracht, hormoonregulaties, regulatie van neurotransmitters, cellulaire communicatie en eiwit posttranslationele modificaties, enz. 1,2,3,4. Untargeted metabolomics biedt een globaal beeld van talrijke metabolieten 5,6. Met de vooruitgang in massaspectrometrie- en chromatografietechnologieën neemt de doorvoer van metaboloom MS/MS-spectra de afgelopen jaren snel toe 7,8,9,10,11. Om metabolieten uit deze enorme datasets te identificeren, werden verschillende annotatiesoftware ontwikkeld11, zoals MZmine12, MS-FINDER13, CFM-ID14, MetFrag15 en SLAW16. Deze identificaties bevatten echter vaak veel valse positieven. De redenen zijn onder meer: (1) De MS/MS-spectra bevatten willekeurige ruis, die de piekmatching kan misleiden. (2) Isomeren en verschillen in fragmentatie-energieën veroorzaken meerdere spectra-vingerafdrukken en verhogen zo het volume van de referentiebibliotheek. (3) De kwaliteit van referentiebibliotheken varieert. Een goede standaard om een goede referentiespectrabibliotheek op te bouwen is nodig. Daarom is een systematische false discovery rate (FDR) controle voor ongerichte metabolomics essentieel voor functioneel metaboloomonderzoek 7,8,9,17.
Zowel de Empirical Bayes-benadering als de Target-Decoy-strategie pakten het FDR-controleprobleem in het algemeen aan. Kerstin Scheubert et al. toonden aan dat de Target-Decoy-strategie op decoy-database gegenereerd uit fragmentatieboomgebaseerde methode de beste methode is voor FDR-controle9. Xusheng Wang et al. ontwierpen een methode voor het genereren van lokvogels op basis van de octetregel in de chemie en verbeterden de precisie van FDR-schatting17. De spectrale bibliotheek voor het genereren van lokvogeldatabase werd gedemonstreerd voor betere prestaties18. Hier hebben we de spectrale bibliotheekgebaseerde methode verbeterd en een software ontwikkeld met de naam XY-Meta19 die de precisie van FDR-schattingen verder kan verbeteren. Het maakt gebruik van de bestaande referentiespectraalbibliotheek om een lokbibliotheek te genereren voor de FDR-besturing onder het Target-Decoy-schema. XY-Meta ondersteunt zijn eigen spectra matching en cosinus gelijkenis algoritmen. Het maakt conventionele zoek- en iteratieve zoekmodi mogelijk. In de stap van FDR-beoordeling ondersteunt het target-decoy-aaneengeschakelde modus en de gescheiden modus. Voor een betere flexibiliteit accepteert XY-Meta externe lokbibliotheken.
Piekdetectie en kwantificering van metabolieten is ook een belangrijke stap in de analyse van ongerichte metabolooms. Piekdetectie is de belangrijkste methode voor metaboloomidentificatie. Over het algemeen werd de nauwkeurigheid van piekdetectie van metabolieten beïnvloed door meerdere factoren, zoals ruissignalen van massaspectrometrie, lage abundantie van metabolieten, contaminanten en afbraakproducten van metabolieten20. Wanneer het aantal monsters van te groot is of de vloeistofchromatografiekolom werd vervangen in experimenten met ongericht metaboloom, kunnen opmerkelijke batcheffecten optreden, wat een grote uitdaging is voor metabolome kwantificering 21,22,23. Momenteel kan software zoals XCMS24, Workflow4Metabolomic25, iMet-Q26 en metaX19 piekdetectie en kwantificering van ongericht metaboloom uitvoeren, maar we stellen voor dat de pijplijn van metaX completer en gemakkelijker te gebruiken is. Hier demonstreren we het proces van identificatie en FDR-controle voor een openbaar beschikbare dataset msv000084112 met behulp van XY-Meta, en de piekdetectie en kwantificering van metabolieten met behulp van metaX. Deze workflow vereist slechts twee groepen en elke groep heeft ten minste twee voorbeelden nodig. MS/MS-spectragegevens zijn nodig, ongeacht het massaspectrometerplatform, de ionisatiemodus, de laadmodus en het monstertype, en kunnen op monsters gebaseerde normalisatie en piekgebaseerde normalisatie ondersteunen. Naar aanleiding van dit voorbeeld kunnen onderzoekers metabolomics-identificatie en kwantificering op een gemakkelijk te hanteren manier uitvoeren. Het gebruik van deze pijplijn vereist R-programmeermogelijkheden. Om de onderzoeker zonder enige programmeerkennis te helpen, ontwikkelden we ook een cloudanalyseplatform voor metabolomics-analyse. We hebben dit cloudanalyseplatform gedemonstreerd in Aanvullend Materiaal 5.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Metabolomics datasets voorbereiden voor analyse
OPMERKING: In deze demonstratie gebruiken we metabolomics-datasets zonder QC-monster. Gegevens voor case- en controlegroepen zijn nodig. Voor demonstratie gebruiken we een openbare dataset in GNPS-database27.
- Ga naar de webpagina https://gnps.ucsd.edu/ProteoSAFe/static/gnps-splash.jsp. Klik op Bladeren door datasets.
- Zoek op het trefwoord 'msv000084112' in de kolom Titel . Klik op het id-nummer van de gegevensset voor meer informatie en download de gegevensset via FTP.
- Plaats de onbewerkte gegevens in de map /msv000084112.
OPMERKING: Deze dataset is verkregen met behulp van C18 RP-UHPLC op het Q Exactive-platform in de positieve modus. Het vertegenwoordigt een cohort met een niet-gekarakteriseerde ziekte van het metabolisme van urinemonstergegevens, waaronder 33 monsters van gezonde mensen, 12 blanco monsters, twee mengmonsters en 82 monsters van patiënten28 (aanvullend materiaal 8). Om de workflow te demonstreren, kozen we willekeurig zes steekproeven van gezonde mensen (NH) als controlegroep en zes monsters met de ziekte (NT) als een casegroep om de workflow uit te voeren.
2. Conversie van gegevensformaten
OPMERKING: Als de dataset de onbewerkte gegevens zijn die rechtstreeks uit de massaspectrometer worden gegenereerd, is deze meestal in .raw-, .wiff- of .cdf-indeling. Ze moeten worden geconverteerd naar mzXML- en mgf-indelingen. Hier gebruiken we de msconvert-tool in het ProteoWizard29-pakket om de formaatconversie uit te voeren.
- Download de ProteoWizard van https://proteowizard.sourceforge.io/download.html en installeer deze.
- Converteer de gegevensindeling met msconvert.exe onder het installatiepad van ProteoWizard.
- Converteer de onbewerkte gegevens naar mzXML-indeling en sla ze op in de map /mzXML:/msconvert.exe /raw/*.raw -o /raw/mzXML/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mzML --zlib --mz64 --filter "msLevel 1-2" --filter "titleMaker
. . . ". - Converteer de raw/mzXML-gegevens naar mgf-indeling en sla ze op in de map /mgf:/msconvert.exe /msv000084112/*.raw -o /msv000084112/mgf/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mgf --mz64 --filter "msLevel 1-2" --filter "titleMaker
. . . ".
- Converteer de onbewerkte gegevens naar mzXML-indeling en sla ze op in de map /mzXML:/msconvert.exe /raw/*.raw -o /raw/mzXML/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mzML --zlib --mz64 --filter "msLevel 1-2" --filter "titleMaker
3. Bereid de referentiespectrale bibliotheek voor de metabolieten voor
OPMERKING: XY-meta ondersteunt de referentiespectrabibliotheken alleen in mgf-indeling.
- Ga naar de webpagina https://gnps.ucsd.edu/ProteoSAFe/libraries.jsp. Zoek op het trefwoord 'NIST' om het item te vinden. Klik op Weergeven voor de details en download de bibliotheek.
OPMERKING: GNPS Public Spectral Libraries verzamelden veel metabolietenbibliotheken, gerangschikt in type, oorsprong, soort en collectiemodi. Hoewel slechts een klein deel van deze bibliotheken wordt gegenereerd met behulp van standaardmaterialen, zijn ze meestal voldoende voor het meeste fundamentele onderzoek. - Plaats de gedownloade bibliotheek GNPS-NIST14-MATCHES.mgf in de map /database.
4. Identificatie van metabolieten en FDR-controle
- Download de XY-meta (Windows-versie). Zoek het parameterconfiguratiebestand parameter.default onder de map /XY-Meta-Win/config/. Wijzig de inhoud ervan volgens aanvullend materiaal 1.
OPMERKING: In oplossing vormen metabolieten vaak adducten met anionen of kationen, wat leidt tot een massale verschuiving van ouderionen. Daarom is het noodzakelijk om de soorten adducten in te stellen. We hebben adductlijsten voor ionenuitwisselingskolommen en omgekeerde analytische kolommen geleverd onder positieve ladingsmodus en negatieve ladingsmodus in de map /adduct. Gebruikers kunnen ook hun eigen adductlijst bewerken op basis van hun onderzoeksproject. De adductlijst moet hetzelfde formaat hebben als de verstrekte lijst. - Voer de metabolietidentificatie en FDR-controle uit met behulp van 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.
OPMERKING: XY-Meta ondersteunt geen jokertekens in parameters. Daarom moet een enkele opdracht worden gebruikt om elk mgf-bestand te verwerken. Voor een groot aantal bestanden wordt een batchbestand aanbevolen.
5. Differentiële analyse
OPMERKING: metaX is een open-source R-pakket. Installeer het volgens de gids op https://github.com/wenbostar/metaX. Voor deze analyse is 8 GB RAM vereist.
- Bewerk een sampleList.txt bestand om het voorbeeld en de bijbehorende MS-gegevens op te geven. Zie aanvullend materiaal 2.
OPMERKING: metaX ondersteunt kwantitatieve analyse voor de datasets met QC-monsters. Wanneer u QC-monsters gebruikt, wijzigt u de klasse-eigenschap in NA voor QC-monsters. - Maak een map /output om de resultaten van kwantitatieve analyse op te slaan. Gebruik R om het script uit te voeren in Aanvullend materiaal 3 om metaX te gebruiken om de MOCK- en WT-groepen te kwantificeren.
OPMERKING: Voordat u het script in Aanvullend materiaal 3 uitvoert, wijzigt u de paden in het script in de werkelijke lokale paden.
6. Integratie van kwalitatieve en kwantitatieve resultaten
- Voer het R-script uit in aanvullend materiaal 4 om de pieken in kwalitatieve en kwantitatieve analyse te annoteren met behulp van metabolietidentificaties.
OPMERKING: Voordat u het script in Aanvullend Materiaal 4 uitvoert, moet u de paden in het script aanpassen aan uw werkelijke lokale paden.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De ruwe gegevens van msv000084112 zijn geconverteerd door msconvert.exe en gegenereerde mgf-bestanden (Aanvullend materiaal S6).
XY-Meta gegenereerd GNPS-NIST14-MATCHES_Decoy.mgf bestand onder /database map. Dit is de lokbibliotheek die is gegenereerd uit de oorspronkelijke referentiespectrale bibliotheek GNPS-NIST14-MATCHES.mgf. Deze lokbibliotheek kan worden hergebruikt. Wanneer de gebruiker deze lokbibliotheek opnieuw gebruikt, moet de gebruiker de decoy_pattern instellen als 1 in het bestand parameter.default en de lokkracht instellen als het absolute pad van de lokbibliotheek. De identificatieresultaten werden gegenereerd onder de map /mgf (met het achtervoegsel .meta), die spectra matching scores, FDR, m/z van de metabolieten, retentietijd en de naam van de metabolieten (aanvullend materiaal 7) omvat.
De kwantitatieve analyse door metaX bevond zich in de map /output. De algemene kwantitatieve verdeling van NH en NT is vergelijkbaar, met een lage fluctuatie van de gemiddelde waarden (figuur 1A). Er was slechts een klein deel van de ontbrekende waarden: slechts 3,39% van de metabolieten heeft meer dan 30% van de ontbrekende waarden (figuur 1B). metaX verhoogde opmerkelijk het aandeel van de metabolieten met CV ≤ 0,3 (figuur 1C). De box plots werden opgeslagen in /metaX_box map. De elutieprofielen zijn opgeslagen in de map /metaX_eic. De metabolietpieken werden geregistreerd in metaX-feature.txt. De kwantitatieve waarden van de metabolieten die in beide groepen werden geïdentificeerd en de resultaten van de differentiële analyse werden opgeslagen in metaX_peaks.txt (figuur 1D). Toepassing van de drempel van | LogFC| ≥ 1 en p-waarde < 0,05 werden 342 metabolieten differentieel gedetecteerd, waarvan 206 up-gereguleerd en 136 down-gereguleerd (Aanvullend Materiaal 9).
We hebben de metaX-gedetecteerde pieken geannoteerd met behulp van de FDR-< 0,01-identificaties. Als een piek kan worden geannoteerd door meerdere metabolieten, namen we degene met de hoogste spectrummatchingscore als de uiteindelijke annotatie. Aan de hand van deze criteria hebben we zes differentiële metabolietpieken geannoteerd (figuur 2).
Figuur 1. Kwantitatieve analyse door metaX. A) Boxplot van gekwantificeerde metabolieten van alle monsters. (B) Histogram van ontbrekende waardeverdeling. C) PTA-waarnemingspunt van twee groepsmonsters. D) Venn-diagram van differentieel gedetecteerde metabolieten van drie statistische testmethoden. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2. Retentietijd (RT) en m/z verdeling van alle geannoteerde metabolieten. Rode stippen vertegenwoordigen de significante en differentieel gedetecteerde metabolieten. Klik hier om een grotere versie van deze figuur te bekijken.
Aanvullend materiaal 1: Het parameterbestand van XY-Meta. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 2: Het groeperen van informatieblad van monsters voor metaX. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 3: Het script voor het integreren van de workflow van XY-Meta en metaX. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 4: Het script voor het annoteren van de pieken met behulp van metaboloomidentificaties. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 5: Een complete workflow voor metaboloomanalyse met behulp van het cloudplatform. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 6: Een mgf-bestand dat is geconverteerd van msconvert voor een voorbeeldgegevens van msv000084112. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 7: Een tabel met identificatieresultaten van XY-Meta voor een voorbeeldgegevens van msv000084112. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 8: Het cohort klinische informatieblad van msv000084112. Klik hier om dit bestand te downloaden.
Aanvullend materiaal 9: Identificatielijst van alle metabolieten en differentiële analyseresultaten van alle metabolietpieken. Klik hier om dit bestand te downloaden.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
De FDR-controle van ongerichte metabolieten is een grote uitdaging geweest. Hier demonstreerden we een complete pijplijn van grootschalige ongerichte metabolomics-analyse (kwalitatief en kwantitatief) met FDR-controle. Dit vermindert effectief de valse positieven, die veel voorkomen in MS-analyse.
Het opstellen van een geschikte spectrale referentiebibliotheek voor uw studie is een belangrijk punt. Een succesvolle en gevoelige MS/MS-identificatie vereist niet alleen de juiste matching-algoritmen, maar ook de juiste spectrale referentiebibliotheken. De toepasbaarheid van openbare spectrale bibliotheken is beperkt vanwege de volgende redenen: (1) veel openbare spectrale bibliotheken bevatten geen volledige metabolietlijsten. (2) De spectra in openbare spectrale bibliotheken zijn afkomstig van verschillende MS-instrumenten en/of verschillende fragmentatiecondities30,31. Daarom raden we u aan spectra te verzamelen in hetzelfde instrument en dezelfde fragmentatiecondities met behulp van standaardmetabolieten om een "exclusieve" spectrale bibliotheek te construeren. Ook moeten deze omstandigheden worden gehandhaafd tijdens de daadwerkelijke metingen. Bovendien moet bij het wijzigen van het parametersbestand de tolerantie van de voorloperionen en de fragmentionen samenvallen met de parameters van het instrument. Normaal gesproken moet het bereik van de precursortolerantie tussen 10 ppm en 20 ppm liggen en moet de fragmenttolerantie worden ingesteld tussen 0,01 Da en 0,5 Da. Voor deze dataset zijn de parameters van het instrument onbekend, maar de fragmenttolerantie van 0,05 Da is een conservatieve keuze om deze workflow normaal te laten presteren.
Gebruikers kunnen nog steeds verschillende foutberichten ontvangen wanneer ze deze pijplijn uitvoeren. Veelgemaakte fouten zijn een onjuist pad naar het invoerbestand, ontbrekend parameterbestand en conflicten met bestandstoegang (bijvoorbeeld toegang geweigerd door het besturingssysteem en gelijktijdige toegang tot hetzelfde bestand).
Opgemerkt moet worden dat deze workflow momenteel alleen van toepassing is op de gerichte en ongerichte metabolomische analyse van kleine moleculen van minder dan 1.000 Da, en kan niet worden gebruikt om de metabolomen van macromoleculen zoals glycaanketens of lipideketens te analyseren. Daarnaast zijn zowel de data independent acquirement (DIA) data als ion mobility data niet geschikt voor analyse met deze workflow. Deze workflow ondersteunt niet het gebruik van m/z en de retentietijd van metabolieten om piekdetectieresultaten te annoteren en ondersteunt alleen differentiële analyse van twee groepen gegevens met meer dan twee monsters.
Lange tijd hebben de identificatieresultaten van ongericht metaboloom gedomineerd door piekdetectietechnologie de neiging gehad om veel valse positieven te bevatten, voornamelijk vanwege het grote aantal metabolietisomeren en verschillende ionische adductvormen. Door de MS/MS-spectra van metabolieten te vergelijken met de referentiespectra van bekende metabolieten kan de structuur van de metabolieten worden opgelost om isomeren te onderscheiden32. Een metaboliet kan echter niet worden geïdentificeerd als het referentiespectrum van een metaboliet niet openbaar of commercieel beschikbaar is7. Daarom is het opbouwen van een betrouwbare bibliotheek van metabolietreferentiespectra een grote uitdaging. Referentiespectra van lage kwaliteit en met een vergelijkbare structuur leiden tot willekeurige matching van experimentele spectra. Daarom is FDR-controle van identificatieresultaten noodzakelijk om betrouwbare identificaties te garanderen. Gebruikers kunnen deze pijplijn gebruiken om metaboloom automatisch te identificeren met FDR-controle, evenals kwantificering en differentiële analyse, door de nodige invoergegevens te verstrekken als het vereiste protocol. Dat is handig en voordelig voor veel onderzoekers, vooral voor beginners.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen belangenverstrengeling.
Acknowledgments
Dit werk wordt ondersteund door het National Key Research and Development Program (2018YFC0910200/2017YFA0505001) en het 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 |
References
- Misra, B. B., Fahrmann, J. F., Grapov, D. Review of emerging metabolomic tools and resources: 2015-2016. Electrophoresis. 38 (18), 2257-2274 (2017).
- Idle, J. R., Gonzalez, F. J.
- Fiehn, O. Metabolomics — the link between genotypes and phenotypes. Functional Genomics. Town, C. , Springer. Netherlands. Dordrecht. 155-171 (2002).
- Functional Genomics. Town, C. , Springer. Netherlands. Dordrecht. (2002).
- Dettmer, K., Aronov, P. A., Hammock, B. D.
- Vinayavekhin, N., Saghatelian, A.
- 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).
- Palmer, A., et al. FDR-controlled metabolite annotation for high-resolution imaging mass spectrometry. Nature Methods. 14 (1), 57-60 (2017).
- Scheubert, K., et al. Significance estimation for large scale metabolomics annotations by spectral matching. Nature Communications. 8 (1), 1494 (2017).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Wen, B., Mei, Z., Zeng, C., Liu, S. metaX: a flexible and comprehensive software for processing metabolomics data. BMC Bioinformatics. 18 (1), 183 (2017).
- 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).
- Liu, Q., et al. Addressing the batch effect issue for LC/MS metabolomics data in data preprocessing. Scientific Reports. 10 (1), 13856 (2020).
- Han, W., Li, L. Evaluating and minimizing batch effects in metabolomics. Mass Spectrometry Reviews. 41 (3), 421-442 (2022).
- 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).
- 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).
- Giacomoni, F., et al. Workflow4Metabolomics: a collaborative research infrastructure for computational metabolomics. Bioinformatics. 31 (9), Oxford, England. 1493-1495 (2015).
- 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).
- 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).
- Schmid, R., et al. Ion identity molecular networking for mass spectrometry-based metabolomics in the GNPS environment. Nature Communications. 12 (1), 3832 (2021).
- 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).
- 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).
- 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).
- Rawlinson, C., et al. Hierarchical clustering of MS/MS spectra from the firefly metabolome identifies new lucibufagin compounds. Scientific Reports. 10 (1), 6043 (2020).
