Übersicht
Bei der Massenspektrometrie-Datenanalyse handelt es sich um die Rechenpipeline, die rohe Spektraldateien von Massenspektrometern in Listen identifizierter und quantifizierter Peptide und Proteine umwandelt. Rohdaten durchlaufen Vorverarbeitungsschritte – Rauschfilterung, Zentroidierung, Ladungszustandszuordnung und Peak-Picking – bevor versucht wird, die Peptide zu identifizieren. Die Qualität und Tiefe der endgültigen Proteinliste hängen entscheidend sowohl von der Erfassungsmethode als auch von der verwendeten Berechnungsstrategie ab. Moderne Proteomik-Experimente generieren routinemäßig Millionen von Spektren, sodass robuste, automatisierte Analysepipelines unerlässlich sind, um aus den Daten biologische Bedeutungen zu extrahieren.
Methoden
Datenbanksuche gleicht experimentelle Tandem-Massenspektren mit theoretischen Spektren ab, die in silico aus einer Proteinsequenzdatenbank generiert wurden. Suchmaschinen wie SEQUEST, Andromeda und Comet verwenden Kreuzkorrelation oder wahrscheinlichkeitsbasierte Bewertung, um Peptid-Spektrum-Übereinstimmungen einzustufen. De-novo-Sequenzierung rekonstruiert Peptidsequenzen direkt aus dem Spektrum ohne Datenbank, was für Organismen mit nicht sequenzierten Genomen oder zur Identifizierung neuer Peptide wertvoll ist. Hybridansätze wie die Spektralbibliothekssuche gleichen mit zuvor identifizierten und validierten Spektren ab und bieten so eine höhere Empfindlichkeit für bekannte Peptide. Alle Methoden erfordern eine strenge Schätzung der Falscherkennungsrate, typischerweise unter Verwendung von Ziel-Täuschungsstrategien.
Praktisches Protokoll
Eine praktische Datenanalyse-Pipeline für die markierungsfreie Quantifizierung beginnt mit Rohspektraldateien aus einer DDA-Erfassung. Im ersten Vorverarbeitungsschritt werden herstellerspezifische Rohdateien mit dem msConvert-Tool von ProteoWizard in offene Formate wie mzML konvertiert. Peak Picking erkennt zentroidisierte Peaks aus Profilmodusdaten, indem es lokale Maxima identifiziert und die Isotopenhülle anpasst. Durch die Rauschfilterung werden Spitzen unter einem Signal-Rausch-Schwellenwert von 2 entfernt. Ladungszustände werden durch Entfaltung von Isotopenmustern mithilfe von Algorithmen wie Decon2LS zugewiesen. Die Ausrichtung der Retentionszeit ist für die Cross-Run-Quantifizierung von entscheidender Bedeutung: Der MaxLFQ-Algorithmus gleicht Chromatogramme aus, indem er gemeinsame Peptidmerkmale über Läufe hinweg identifiziert und nichtlineare Retentionszeitverschiebungen anwendet. Nach dem Alignment werden Merkmalskorrespondenzen hergestellt – das gleiche Peptid wird über alle Läufe hinweg verfolgt, indem sein m/z, seine Ladung und seine ausgerichtete Retentionszeit innerhalb von Fenstern von 10 ppm und 1 Minute angepasst werden. Fehlende Werte, die in markierungsfreien Experimenten häufig auftreten, werden mithilfe der k-nächsten Nachbarn-Imputation oder der linkszensierten Imputation unterstellt, wobei davon ausgegangen wird, dass fehlende Werte Peptide unterhalb der Nachweisgrenze darstellen. Die endgültige Matrix der Peptidintensitäten über die Proben hinweg wird mithilfe einer varianzstabilisierenden Normalisierung normalisiert und statistischen Tests wie Limma- oder T-Tests mit mehrfacher Testkorrektur unterzogen. Ein Beispiel aus der Praxis: Diese Pipeline wurde zur Analyse des Proteoms von 200 Liquorproben von Alzheimer-Patienten eingesetzt und identifizierte 50 durchweg fehlregulierte Proteine, darunter Tau-Fragmente und Amyloid-Beta-Peptide. Der gleiche Ansatz wird in der Plasmaproteomik verwendet, um mögliche Biomarker für die Früherkennung von Eierstockkrebs in großen Patientenkohorten zu entdecken.
Anwendungen
Die Analyse massenspektrometrischer Daten ist für jedes Proteomik-Experiment von grundlegender Bedeutung. Es unterstützt die Identifizierung von Proteinen, die durch SDS-PAGE, Kapillarzonenelektrophorese oder HPLC getrennt wurden, und ist die Rechenmaschine hinter moderner Proteomik und Massenspektrometrie. Arbeitsabläufe. Die klinische Proteomik stützt sich auf diese analytischen Pipelines, um Biomarker-Kandidaten zu entdecken, während Fortschritte bei der Massenspektrometrie Instrumentierung weiterhin die Entwicklung neuer Algorithmen für eine schnellere und genauere Dateninterpretation vorantreiben.
