Интегрированный рабочий процесс идентификации и количественной оценки нецелевого метаболома на основе контроля FDR

Метаболиты играют важную роль в биологических процессах. Метаболиты часто являются регуляторами различных процессов, таких как передача энергии, гормональные регуляции, регуляция нейротрансмиттеров, клеточная связь и посттрансляционные модификации белка и т. Д. 1,2,3,4. Нецелевая метаболомика дает глобальное представление о многочисленных метаболитах ^5,6. С достижениями в области технологий масс-спектрометрии и хроматографии пропускная способность спектров метаболома MS / MS быстро увеличивается в последние^годы 7,8,9,10,11. Для идентификации метаболитов из этих огромных наборов данных было разработано различное программное обеспечение для аннотаций¹¹, такое как MZmine¹², MS-FINDER¹³, CFM-ID¹⁴, MetFrag¹⁵ и SLAW¹⁶. Однако эти идентификации часто содержат много ложных срабатываний. Причины включают в себя: (1) Спектры MS / MS содержат случайный шум, который может ввести в заблуждение пиковое соответствие. (2) Изомеры и различия в энергиях фрагментации вызывают множественные спектры отпечатков пальцев и, таким образом, увеличивают объем справочной библиотеки. (3) Качество справочных библиотек варьируется. Необходим надлежащий стандарт для создания хорошей справочной спектральной библиотеки. Таким образом, систематический контроль уровня ложных обнаружений (FDR) для нецелевой метаболомики имеет важное значение для исследования функционального метаболома 7,8,9,17.

Как эмпирический подход Байеса, так и стратегия Target-Decoy решали проблему контроля Рузвельта в целом. Kerstin Scheubert et al. показали, что стратегия Target-Decoy на базе данных приманок, сгенерированная методом фрагментации на основе дерева, является лучшим методом для контроля FDR⁹. Xusheng Wang et al. разработали метод генерации приманки, основанный на правиле октета в химии, и улучшили точность оценки Рузвельта¹⁷. Спектральная библиотека для генерации базы данных приманок была продемонстрирована для повышения производительности¹⁸. Здесь мы улучшили метод на основе спектральной библиотеки и разработали программное обеспечение под названием XY-Meta¹⁹ , которое может еще больше повысить точность оценки FDR. Он использует существующую справочную спектральную библиотеку для создания библиотеки приманок для управления FDR по схеме Target-Decoy. XY-Meta поддерживает собственные алгоритмы сопоставления спектров и косинуса. Он позволяет использовать обычные режимы поиска и итеративного поиска. На этапе оценки FDR он поддерживает сцепленный режим Target-Decoy и раздельный режим. Для большей гибкости XY-Meta принимает внешние библиотеки приманок.

Обнаружение пиков и количественная оценка метаболитов также является важным этапом нецелевого анализа метаболомов. Обнаружение пика является основным методом идентификации метаболомов. В целом, на точность пикового обнаружения метаболитов влияли многочисленные факторы, такие как шумовые сигналы масс-спектрометрии, низкое содержание метаболитов, загрязняющих веществ и продукты деградации метаболитов²⁰. Когда количество образцов слишком велико или колонка жидкостной хроматографии была заменена в экспериментах с нецелевым метаболомом, могут появиться замечательные эффекты партии, что является серьезной проблемой для количественного определения метаболома 21,22,23. В настоящее время такие программы, как XCMS²⁴, Workflow4Metabolomic²⁵, iMet-Q²⁶ и metaX¹⁹, могут выполнять обнаружение пиков и количественное определение нецелевого метаболома, но мы предполагаем, что конвейер metaX более полный и простой в использовании. Здесь мы демонстрируем процесс идентификации и контроля FDR для общедоступного набора данных msv000084112 с использованием XY-Meta, а также обнаружение пиков и количественную оценку метаболитов с помощью metaX. Для этого рабочего процесса требуется только две группы, и каждой группе требуется не менее двух образцов. Данные спектров MS/MS необходимы независимо от платформы масс-спектрометра, режима ионизации, режима заряда и типа образца и могут поддерживать нормализацию на основе образцов и нормализацию на основе пиков. Следуя этому примеру, исследователи могут выполнить идентификацию и количественную оценку метаболомики простым в обращении способом. Для использования этого конвейера требуется возможность программирования R. Чтобы помочь исследователю без каких-либо знаний в области программирования, мы также разработали платформу облачного анализа для анализа метаболомики. Мы продемонстрировали эту платформу облачного анализа в Дополнительном материале 5.