PNAS | IonStar: 在大规模生物样本中实现高精度和低数据丢失的蛋白质组学定量技术

2023-05-10 14:56:27

       大家好,今天给大家介绍一篇发表在PNAS上的工作,题目是IonStar enables high-precision, low-missing-data proteomics quantification in large biological cohorts。文章有三位通讯作者,分别是纽约州立大学布法罗分校的Qu jun教授和Jianmin Wang教授以及弗雷德里克美国国家癌症研究实验室的Benjamin Orsbur。

       对于临床和药物蛋白组学研究,常常需要进行大规模的生物样品分析来降低来自生物样品的本身差异和增强数据的可靠性。无标记的定量方法理论上是不受生物样品数目的限制,因此非常适合进行大规模的组学分析。然而无标记定量方法有两个问题需要解决,一是由于缺乏内部校正,数据的精确度和准确度容易受到实验操作的影响。二是随着样品数目的增加,数据丢失的现象呈滚雪球式的增加。依赖数据采集模式(DDA)的二级质谱(MS2)定量难以准确分析低丰度的多肽,数据丢失率非常高。非依赖的数据采集模式(DIA)的二级质谱定量需要依靠特定谱库来鉴定复杂的碎片离子,定量的深度受到限制。相比二级定量,一级谱可以通过离子的保留时间和高分辨的质荷比来定量,且在大规模样品分析中有更高的灵敏度和可重复性。然而,目前已有的一级谱定量的程序包如OpenMS,MaxQuant等,在保证高的精确度和可重复性的条件下还没有分析大规模生物样品的能力。作者开发了一种名为IonStar 的一级质谱定量方法,填补了大规模组学定量分析上的空白。IonStar包括两部分,一部分是优化的实验流程,确保样品制备的可重复性和有效性。第二部分就是本文介绍数据处理部分。

       作者首先优化和发展了IonStar的数据处理流程。首先是通过ChromAlign二步三维(RT,MS1峰,MS1的波动)的算法对保留时间进行精确的校正,将保留时间的偏差减小97%,增加实验的可重复性。在传统的一级谱定量时,比较流行特征生成是依据峰的性质进行生成特征(PPB),这种严格的限定会造成数据的丢失,牺牲灵敏度。作者在直接对齐的数据组基础上中抽取离子强度(DICE)进行特征生成,有效定量特性数目增加了16.3%,大大减少数据的丢失。为了确保定量的可靠性,作者随后采用后特征生成进行质量控制,采用了一种平均和波动模型来检查组间定量比率的一致性。然后利用分数位和总离子强度对数据进行归一化,最后通过总强度和内部开发广义线性混合模型进行数据聚合。

      作者随后将开发的IonStar与常用一级质谱定量方法OpenMS, MaxQuant, Proteome Discoverer 2.1,和基于MS2的spC等一起对大肠杆菌和人的细胞裂解的混合物进行蛋白组学分析,发现IonStar的丢失率小,鉴定的数目最多,鉴定的蛋白丰度的跨度最大。IonStar的可重复性、定量的准确度和精确度以及假阳性率都要优于其他的方法。

       最后作者将IonStar技术应用在对创伤性脑损伤的大鼠的海马区和灰质进行大规模的组学定量。在大脑的这两个区域发现了1000多个显著变化的蛋白,并且发现苯氧苄胺和都能减轻严重脑创伤对两个区域内蛋白质组的改变。

       总之,作者开发了一种可以对大规模生物样品进行蛋白组学一级质谱定量的IonStar技术,该技术无需标记,具有高精度、可重复性和低数据丢失的特点。


文章链接:http://www.pnas.org/content/pnas/early/2018/05/04/1800541115.full.pdf

文章引用:

DOI:10.1073/pnas.1800541115




友情链接

Copyright © 2023 All Rights Reserved 版权所有 福建水产设备联盟