Методическая статья

Навигация по протеомным данным на основе масс-спектрометрии с помощью бесплатных вычислительных инструментов

DOI:

10.3791/68707

⸱

19 августа 2025 г.

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

В этой статье

Краткое содержание

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

Протеомные данные на основе масс-спектрометрии доступны в открытых базах данных и доступны с помощью бесплатных инструментов. Учитывая сложность поиска и описания баз данных, многим биологам не хватает знаний для использования этих наборов данных. Здесь мы предоставляем руководство по использованию бесплатных инструментов для базового протеомного поиска данных.

Аннотация

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

Данные протеомики на основе масс-спектрометрии (МС), в том числе Data-Dependent Acquisition (DDA) и Data-Independent Acquisition (DIA), широко используются в биологических исследованиях. Тем не менее, применение этих наборов данных в валидационных исследованиях все еще ограничено из-за отсутствия четких демонстраций того, как эффективно искать и анализировать протеомные данные. Чтобы восполнить этот пробел, мы выбрали один набор данных DDA и один набор данных DIA, размещенные в репозитории данных PRoteomics IDEntifications Database (PRIDE), чтобы лучше проиллюстрировать рабочий процесс анализа протеомных данных и последующую постобработку результатов поиска белков. В демонстрационных целях мы использовали два бесплатных вычислительных инструмента: FragPipe (v22.0) для наборов данных DDA и DIA-NN (2.1.0) для наборов данных DIA. Этапы постобработки, такие как создание графиков вулканов и списков нерегулируемых белков, были продемонстрированы с использованием R-кода. В этом исследовании представлены основные протоколы для поиска и анализа протеомных данных, которые служат важным руководством для начинающих по эффективной работе с протеомными наборами данных. В рамках этой работы мы стремимся предоставить исследователям знания, необходимые для использования протеомных данных в их биологических исследованиях.

Введение

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

В области протеомики произошла революция благодаря широкому распространению репозиториев данных с открытым доступом и бесплатных программныхинструментов1, которые сыграли важную роль в развитии исследовательских возможностей и продвижении культуры обмена данными. Создание централизованных ресурсов, таких как PRIDE2, и разработка стандартизированных форматов данных в рамках Инициативы по стандартам протеомики (PSI) Организации протеомики человека (HUPO)3 создали беспрецедентную возможность для повторного использования и интеграции данных. Тем не менее, анализ и интерпретация протеомных данных по-прежнему сопряжены со значительными техническими барьерами, особенно для биологов и врачей, которые хотят выполнить ортогональную валидацию своих собственных экспериментальныхрезультатов. Данная рукопись напрямую решает эту проблему, представляя независимый от поставщика вычислительный рабочий процесс, чтобы предоставить исследователям доступную основу для независимого запроса, анализа и интеграции общедоступных данных протеомики со своими собственными выводами, тем самым способствуя надежной ортогональной валидации без необходимости проведения дополнительных экспериментов в мокрой лаборатории. Эта работа особенно подходит для исследователей, стремящихся ортогонально подтвердить дифференциальную экспрессию специфических белков, идентифицированных в их собственных экспериментах, и генерировать новые гипотезы путем изучения паттернов экспрессии белков, представляющих интерес в широком спектре опубликованных исследований. Предоставляя пошаговое руководство, мы стремимся дать возможность более широкому кругу ученых использовать весь потенциал общедоступных данных протеомики, что в конечном итоге повышает надежность и влияние их исследований.

В протеомике на основе масс-спектрометрии (МС) сканирование MS1 и MS2 имеет основополагающее значение для сбора данных. Сканирование MS1, или обзорное сканирование, обнаруживает и измеряет отношение массы к заряду (m/z) всех ионов в образце, обеспечивая всесторонний обзор популяции ионов5. Сканирование MS2, также называемое фрагментационным сканированием, включает в себя выделение и фрагментацию определенных ионов-предшественников, выбранных из сканирования MS1, генерируя спектры ионов фрагментов для идентификации пептидов6.

Data-dependent acquisition (DDA) отбирает наиболее распространенные ионы из сканирования MS1 для фрагментации MS2, создавая более простые спектры, которые упрощают анализ. Тем не менее, DDA может привести к стохастической выборке и отсутствию значений в сложных выборках, ограничивая воспроизводимость7. В отличие от этого, независимый от данных сбор данных (DIA) систематически фрагментирует все ионы в пределах заданных m/z окон, обеспечивая всесторонний охват и сводя к минимуму пропущенные значения. Это повышает количественную точность и воспроизводимость8, хотя DIA требует передовых вычислительных инструментов для деконволюции своих очень сложных спектров MS29.

PRIDE (https://www.ebi.ac.uk/pride)2является ведущим репозиторием в составе консорциума ProteomeXchange Consortium (https://www.proteomexchange.org)10, глобальной платформы для обмена данными протеомики. Пользователи могут эффективно перемещаться по этому обширному ресурсу, используя поиск по ключевым словам для поиска интересующих их наборов данных.

DIA-NN11, программный пакет, использующий глубокие нейронные сети, является золотым стандартом для анализа протеомико-данных независимо от данных (DIA). Он отличается высокой точностью идентификации и количественной оценки, что делает его особенно эффективным для обработки сложных наборов данных DIA12. Для рабочих процессов сбора данных, зависящих от данных (DDA), MSFragger13, интегрированный в конвейер FragPipe, обеспечивает сверхбыструю идентификацию пептидов. Его инновационный подход к индексации фрагмент-ионов обеспечивает быстрое согласование спектров, превосходя традиционные инструменты более чем в 100 раз.

Вооружившись этими всеобъемлющими базами данных и передовыми инструментами, исследователи могут легко повторно использовать протеомные данные для проверки перекрестных исследований и новых биологических открытий. Эта доступность привела к идентификации многочисленных белковых биомаркеров при различных заболеваниях14,15, улучшила прогноз16 и позволила классифицировать молекулярные подтипы на основе протеомных профилей17.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

ПРИМЕЧАНИЕ: На рисунке 1приведен обзор рабочего процесса, а на Таблице материалов — подробное описание используемого программного обеспечения.

figure-protocol-1
Рисунок 1: Обзор дизайна исследования. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

1. Пример настройки файла и программного обеспечения

ПРИМЕЧАНИЕ: Все приложения бесплатны для индивидуального исследовательского использования и могут быть запущены на персональном компьютере (поддерживаются Windows и Linux).

  1. Создайте новую директорию для проекта.
  2. Скачать 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 от PRIDE.
    ПРИМЕЧАНИЕ: Эти две группы файлов могут быть загружены из https://www.ebi.ac.uk/pride/archive/projects/PXD039273 и https://www.ebi.ac.uk/pride/archive/projects/PXD006512 по отдельности (рис. 2).
  3. Скачайте и установите необходимые программные инструменты.
    1. Загрузите последнюю версию DIA-NN в виде файла .msi. DIA-NN находится в свободном доступе в виде файла .msi для Windows или файла .zip для Linux от https://github.com/vdemichev/DiaNN/releases/tag/2.0
    2. Загрузите последнюю версию MSFileReader в виде файла .exe. MSFileReader находится в свободном доступе в виде файла .exe от https://github.com/thermofisherlsms/MSFileReader/blob/main/MSFileReader_x64.exe, который необходим для обработки необработанных данных Thermo Fisher DIA.
    3. Скачайте последнюю версию пакета SDK для .NET в виде файла .exe. .NET SDK находится в свободном доступе в виде файла .exe от https://dotnet.microsoft.com/en-us/download, который требуется в Windows для запуска MSFileReader.
    4. Загрузите последнюю версию FragPipe в виде файла .zip. FragPipe находится в свободном доступе в виде .zip файла от https://github.com/Nesvilab/FragPipe/releases. Рекомендуется использовать zip-файл с jre, так как он содержит среду выполнения Java для Windows, которая необходима для выполнения FragPipe. MSFragger встроен в FragPipe.
  4. Загрузите последнюю версию R и Rstudio и файлы скриптов R из Дополнительного файла 1 и Дополнительного файла 2. R и RStudio можно бесплатно скачать с https://cran.rstudio.com/bin/windows/base/R-4.5.0-win.exe и https://posit.co/download/rstudio-desktop/.
  5. Распакуйте сжатые файлы и нажмите на кнопку . exe или .msi Files для установки приложений.

2. Анализ данных DIA с помощью DIA-NN

  1. Загрузите файл референсного протеома fasta от UniProt. Чтобы скачать справочный протеом Homo sapiens (информация об изоформе не включена), перейдите по ссылке https://www.uniprot.org/proteomes/UP000005640 (рис. 3A).
  2. Нажмите кнопку Add FASTA, чтобы загрузить файл опорного протеома в DIA-NN.
  3. Выберите две опции: дайджест FASTA для безбиблиотечного поиска/генерации библиотеки и прогнозирование спектров, RT и lMs на основе глубокого обучения в разделе Генерация ионов прекурсоров. Нажмите кнопку Run , чтобы создать прогнозируемую спектральную библиотеку (рисунок 3B).
    1. После создания файла предсказанной спектральной библиотеки повторно используйте его для других экспериментов в тех же параметрах экспериментального сбора, нажав кнопку «Спектральный », чтобы добавить прогнозируемую библиотеку.
  4. Снимите флажки с двух опций в разделе Создание ионов Прекурсора и нажмите кнопку Тип, которая соответствует формату файла в части Ввод, чтобы загрузить данные DIA.
  5. Установите для параметров «Погрешность по массе» и «Точность MS1» в разделе «Алгоритм» значение 0,0 ppm.
  6. Отрегулируйте настройки диапазона масс прекурсоров и фрагментов в разделе Генерация ионов предтечи на основе экспериментальных настроек.
  7. Оставьте другие настройки по умолчанию.
    1. При генерации предшественника DIA-NN используется трипсин/P (расщепляется после K/R, если за ним не следует пролин) с 1 пропущенным расщеплением для моделирования частичного переваривания; отключить эксцизию N-term M для неканонических пептидов (например, иммунопептидомиков) или увеличить количество пропущенных расщеплений до 2 для более длинных пептидов.
    2. Явным образом включите переменные модификации (отключены по умолчанию) для исследований посттрансляционной модификации (PTM) (например, Ox (M) для окисления, K-GG для убиквитинирования) и расширьте пептидные фильтры (длина: 7-30 aa; заряд: 1-4+; предшественник m/z: 300-1800) в соответствии с экспериментальными настройками (например, длина: 5-50 aa, заряд=1-6) для больших PTM или нетриптических расщеплений.
    3. Настройки алгоритма используют автоматическую калибровку (точность массы = 0,0 ppm) для точного выравнивания массы — переопределение с помощью ручных допусков (например, 10 ppm) для приборов с низким разрешением, а функция Match Between Runs (MBR) переносит идентификаторы между прогонами (отключена для разнородных образцов).
    4. Оценка нейронными сетями повышает достоверность идентификации (сохраняется, если качество данных не ухудшается), в то время как квантовая немеченая масс-спектрометрия (UMS) обеспечивает высокоточную количественную оценку без меток; переключитесь на количественное определение MS2 для изобарических меток (например, TMT). Используйте поиск без библиотеки только с данными DIA с высоким разрешением, чтобы обойти требования к спектральной библиотеке.
  8. Нажмите на кнопку «Выполнить ». Дождитесь результатов, пока в интерфейсе управления не отобразится сообщение Finished, указывающее на завершение прогона (рис. 3C).

3. Анализ данных DDA с помощью FragPipe

  1. Нажмите на иконку Fragpipe в папке ~\FragPipe\fragpipe\bin после установки. Все зависимые настройки можно увидеть во вкладке Config. Проверьте, существуют ли на вашем компьютере три модуля (MSFragger, IonQuant, diaTracer, DIA-NN и Python). Если нет, загрузите их, нажав на кнопку «Загрузить/обновить» или «Скачать » (рис. 4A).
  2. Переключитесь на следующую вкладку, Workflow. Выберите «По умолчанию » для рабочего процесса и нажмите « Загрузить рабочий процесс». Нажмите « Добавить файлы », чтобы добавить пути к файлам. Назначьте название эксперимента и номер биорепликации в разделе Назначение файлов или просто оставьте его (Рисунок 4B).
  3. Теперь нажмите на «База данных » и перейдите на эту вкладку. Загрузите файл fasta или скачайте любые файлы fasta в соответствии с типом образцов. Во время загрузки выберите параметры Только проверенные последовательности, Добавить приманки и Добавить общие загрязнители для простого прогона (рис. 4C).
  4. Затем нажмите на MSFragger , чтобы изменить вкладку. Выберите конфигурацию по умолчанию для закрытого поиска и нажмите « Загрузить».
    ПРИМЕЧАНИЕ: Закрытый поиск - это, по сути, поиск заданных вами изменений, в то время как открытый поиск будет исследовать все возможные изменения данных, что требует больше времени и памяти.
  5. Для сопоставления пиковых значений оставьте настройки по умолчанию, за исключением того, что рекомендуется выбрать значение «Нет » для калибровки и оптимизации, так как это сэкономит время.
  6. Для переваривания белка корректируйте параметры в соответствии с условиями эксперимента. Сохраните следующие настройки по умолчанию (рисунок 5A).
    ПРИМЕЧАНИЕ: Допуски по массе прекурсора и фрагмента (± 20 ppm) определяют максимально допустимую погрешность массы для сопоставления экспериментальных спектров с теоретическими пептидами, при этом для приборов с высоким разрешением рекомендуются более жесткие значения. Правила фермента (строгий трипсин) определяют специфичность расщепления (после K/R, если за ним не следует P), при этом пропущенные расщепления (2) допускают частично переваренные пептиды. Пептидные фильтры длины (5-50 остатков) и массы (500-5000 Да) исключают маловероятных кандидатов. Переменные модификации (например, +15,9949 Da на метионин для окисления, +79,96633 Da на S/T/Y для фосфорилирования) позволяют обнаруживать химические изменения, в то время как максимальные комбинации (5) ограничивают одновременные модификации на пептид для управления пространством поиска. Максимальное количество переменных модификаций на объект (например, 3 на M) определяет частоту изменений. Разделенная база данных повышает эффективность работы с большими протеомами, а изотопная ошибка (0/1/2) учитывает неправильно назначенные изотопные пики. Эти настройки в совокупности уравновешивают чувствительность, специфичность и вычислительную нагрузку при идентификации пептидов.
  7. Перейдите на вкладку Валидация. Снимите флажки Predict RT и Predict spectra, которые предназначены для данных DIA (рисунок 5B).
  8. Перейдите на вкладку Quant (MS1). Выберите Run MS1 quant и нажмите Load Quant defaults. Выберите IonQuant и оставьте настройки по умолчанию (рис. 6A). Отключите MBR для нестабильного времени хранения или отключите нормализацию интенсивности , если это приводит к смещениям глобального масштабирования; включите параметр Сохранять индекс на диске для экономии оперативной памяти при работе с большими наборами данных.
    ПРИМЕЧАНИЕ: Quant (MS1) по умолчанию оптимизирует количественную оценку без меток с помощью MaxLPQ (MaxLFQ-based Protein Quantification, алгоритм, расширяющий метод MaxLFQ на группы белков), требуя ≥1 уникального иона на белок (увеличение до ≥2 для более высокой жесткости за счет покрытия). Функция «Совпадение между прогонами» (MBR) переносит идентификацию между прогонами с использованием допуска по времени удержания (RT) (по умолчанию 0,4 мин; ужесточение до 0,2 мин для стабильной хроматографии или ослабления для градиентной изменчивости) и допуска подвижности ионов (IM) (по умолчанию 0,05 1/k0 [обратная сниженная подвижность]; корректируется на основе точности IM), отфильтрованных по ≤1% FDR (частота ложных обнаружений; по умолчанию MBR ion FDR=0,01; ниже до 0,005 для строгости). Для вывода белка используется uniquer+rascor (назначение пептидов бритвы для группировки белков). Для обнаружения признаков используется допуск по массе 10 ppm (увеличьте до 20 ppm для MS с низким разрешением или уменьшите до 5 ppm для MS с высоким разрешением).
  9. Теперь нажмите на вкладку «Выполнить ». Выберите Выходной каталог. Нажмите кнопку RUN , чтобы начать анализ данных (рисунок 6B).
    ПРИМЕЧАНИЕ: Для данных протеомики без меток, не фокусирующихся на модификациях или использующих количественную оценку на основе меток, не используются таблетки PTM, Glyco и Quant (изобарические).

4. Анализ DIA-NN/FragPipe на выходе

ПРИМЕЧАНИЕ: Подробные коды, использованные в данном исследовании, включены в Дополнительный файл 1 и Дополнительный файл 2. Версии пакетов, использованные в этом исследовании, можно найти в дополнительном файле 3.

  1. Откройте RStudio и прочитайте данные об экспрессии белка, сгенерированные DIA-NN или FragPipe. Для анализа обычно используются данные матрицы белковых групп, оканчивающиеся на .pg_matrix.tsv из DIA-NN, и объединенные данные белков, оканчивающиеся на .tsv, из FragPipe.
  2. Удалите недостающие значения без заполнения NA и отфильтруйте группы белков, идентифицированные и количественно оцененные с менее чем двумя уникальными пептидами.
    Примечание: Данные DIA в этом исследовании были получены из отфильтрованных белковых групп, в то время как данные DDA были получены из нефильтрованных белковых групп.
  3. Нормализуйте интенсивность белка с помощью медианного масштабирования или квантильной нормализации по образцам. Данные DIA в этом исследовании были нормализованы по медианной нормализации, а данные DDA — по квантильной нормализации, чтобы лучше продемонстрировать эти два метода.
    ПРИМЕЧАНИЕ: Медианная нормализация устойчива к выбросам и подходит для сценариев, в которых большинство белков остаются неизменными в разных образцах, что делает медианное содержание белка стабильной точкой отсчета. Однако он может потерпеть неудачу в сценариях с высокодифференциально экспрессируемыми белками18. Квантильная нормализация обеспечивает равномерное распределение содержания белка в образцах, что полезно при сравнении образцов с несопоставимыми распределениями. Было показано, что он снижает статистическую мощность и может приводить к чрезмерной нормализации данных, потенциально маскируя истинные биологические различия18. В протеомике медианная нормализация широко используется в безметочных исследованиях для устранения систематических погрешностей, связанных с работой прибора МС. Квантильная нормализация предпочтительна для крупномасштабных наборов данных, анализа дифференциальной экспрессии и кластерного анализа19,20.
  4. Рассчитайте log2-кратные изменения (например, сравнение сыворотки PDAC с нормой) и p-значения t-критерия. Рассчитайте скорректированные p-значения с помощью метода Беньямини-Хохберга. Определите пороговые значения значимости (например, |log2FC| > 1, p_adj (FDR) < 0,05).
    ПРИМЕЧАНИЕ: Пороговые p-значения, используемые в этом исследовании, представляют собой исходные значения, поскольку использование скорректированных p-значений (p_adj) исключило бы все обнаруживаемые белки в пределах статистической мощности этих ограниченных наборов данных.
  5. Проверьте наличие отсутствующих/NA значений и исключите их. Создание графика вулкана для визуализации значительных попаданий.
  6. Выберите значительно нарушенные белки. Примените нормализацию Z-показателя к значениям экспрессии белка. Построение кластеризованной тепловой карты с аннотациями к группам образцов.
  7. Сопоставление белков с идентификаторами Entrez с помощью org. Hs.eg.db. Выполнение обогащения GO (биологический процесс) и анализа путей KEGG.
    Примечание: Категории биологических процессов (БП) обычно выбираются при анализе генной онтологии (ГО), потому что они описывают более крупные процессы или биологические программы, осуществляемые множественной молекулярной активностью. Эти термины фокусируются на клеточных функциях, которые идут наперекосяк при таких заболеваниях, как рак, включая такие важные процессы, как регуляция клеточного цикла, метаболические процессы и т. д. В дополнение к АД, анализ ГО также включает в себя категории молекулярных функций (MF) и клеточных компонентов (CC). Термины MF описывают биохимическую активность генных продуктов, такую как транспорт ионов или способность связывать ДНК. Термины CC определяют клеточные места, где продукты генов выполняют свои функции, такие как ядро, митохондриальная мембрана или цитоскелет.
  8. Запросите STRINGdb для взаимодействий (оценка достоверности ≥ 400). Создание интерактивной сети с помощью visNetwork.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Чтобы лучше проиллюстрировать поиск протеомных наборов данных, мы выбрали два типа наборов данных для этого анализа. Стремясь продемонстрировать нерегулируемые белки в клиническом контексте, мы провели поиск в PRIDE по ключевым словам, таким как clinic. В частности, мы выбрали набор данных, подходящий для анализа DIA, от Консорциума по клиническому анализу протеомных опухолей (CPTAC)21, и еще один, подходящий для анализа DDA, от Китайского проекта протеома человека...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Представленный протокол иллюстрирует протеомный анализ данных за счет интеграции бесплатных инструментов, таких как DIA-NN и FragPipe. Успех зависит от таких важных шагов, как точный выбор ионов прекурсоров и настройка точности массы для генерации спектральной библиотеки в DIA-NN (шаг 2.3)27, которые зависят от прибора и имеют решающее значение для полной идентификации пептидов. Аналогичным образом, тщательная настройка базы данных в FragPipe (шаг 3.4), включая ге...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Ф.З. является основателем Molemuse Biotech Studio.

Благодарности

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

Проект реализуется при поддержке Molemuse Biotech Studio.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
.NET SDK версии 9.0.203Майкрософтhttps://dotnet.microsoft.com/en-us/download
DIA-NN версии 2.1.0https://github.com/vdemichev/DiaNN/releases/tag/2.0 
FragPipe v. 22.0https://github.com/Nesvilab/FragPipe/releases
MSFileReader v. 3.1 Термо Фишерhttps://github.com/thermofisherlsms/MSFileReader/blob/main/MSFileReader_x64.exe
Версия 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/

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

DDADIAvolcano plotKEGG

Похожие статьи