Scoring the downstream chain of small-n label-free proteomics against known ratios: search engine, match-between-runs, imputation, differential testing and enrichment background on a public three-species benchmark

في العالم المجهري داخل خلايانا، تعمل آلاف البروتينات معاً للحفاظ على استمرار الحياة. ولفهم كيفية تغير هذه البروتينات عندما يمرض الشخص أو عندما ينجح علاج ما، يستخدم العلماء تقنية تسمى "البروتيوميات خالية الوسم" (label-free proteomics). تخيل أنك تحاول وزن حشد من الناس عبر التقاط صورة لهم؛ تلتقط الكاميرا الجميع، ولكن لتعرف وزن كل شخص، عليك قياس سطوع صورته. في هذه الطريقة العلمية، يخبر "سطوع" إشارة البروتين الباحثين بمقدار وجوده. ومن خلال مقارنة هذه الإشارات بين حالتين مختلفتين — مثل الأنسجة السليمة مقابل الأنسجة المصابة — يمكن للعلماء رؤية البروتينات التي زادت أو نقصت. ومع ذلك، فإن الحصول على عد دقيق أمر صعب. تتضمن العملية برامج حاسوبية معقدة لتحديد البروتينات، ثم سلسلة طويلة من القرارات حول كيفية التعامل مع البيانات المفقودة، وكيفية مقارنة العينات، وكيفية تحديد ما يعتبر تغيراً حقيقياً مقابل التقلب العشوائي. وإذا تمت إدارة هذه الخطوات اللاحقة بشكل سيئ، فإن القائمة النهائية للبروتينات المهمة قد تمتلئ بالأخطاء، مما يقود الباحثين إلى الطريق الخطأ.

قام باحث مؤخراً بأخذ مجموعة بيانات عامة، حيث كانت الإجابات الحقيقية معروفة بالفعل، لاختبار مدى تأثير هذه الاختيارات المختلفة على النتيجة النهائية بدقة. جاءت البيانات من تجربة ذكية حيث قام العلماء بخلط بروتينات من ثلاثة أنواع مختلفة: البشر، والخميرة، وبكتيريا معوية شائعة تسمى "إي كولاي" (E. coli). لقد صنعوا خليطين بنسب معروفة. في الخليط الأول، شكلت البروتينات البشرية 65 بالمائة، والخميرة 30 بالمائة، والبكتيريا 5 بالمائة. وفي الخليط الثاني، أبقوا البروتينات البشرية كما هي ولكن قللوا الخميرة إلى النصف وضاعفوا البكتيريا أربع مرات. ولأن الكميات الأولية كانت معروفة، عرف الباحثون بالضبط ما يجب أن يجده الحاسوب: يجب ألا تظهر البروتينات البشرية أي تغيير، ويجب أن تظهر الخميرة كأنها نصف الكمية، ويجب أن تظهر البكتيريا كأنها أربعة أضعاف الكمية. وقد شكل هذا الإعداد أرض اختبار مثالية، بيئة محكومة حيث كانت الإجابة الصحيحة مكتوبة في النجوم، تنتظر فقط أن تُرى إذا كانت الأدوات حادة بما يكأفي.

قام الباحث بتشغيل هذه البيانات عبر ثلاث من أكثر الأدوات البرمجية شعبية المستخدمة في هذا المجال اليوم: MaxQuant، وFragPipe، وDIA-NN. هذه البرامج تشبه علامات تجارية مختلفة من الكاميرات عالية الجودة؛ فكل منها يلتقط الصور الخام ويحاول إنتاج صورة واضحة للبروتينات. وجدت الدراسة أنه بينما كانت جميع هذه الأدوات جيدة بشكل عام في إيجاد البروتينات، إلا أنها اختلفت في مدى دقة قياس التغيرات. وعند النظر إلى البروتينات البشرية، التي لا ينبغي أن تتغير على الإطلاق، أظهرت إحدى الأدوات وهي MaxQuant انزياحاً طفيفاً وثابتاً، مما جعل البروتينات غير المتغيرة تبدو مختلفة قليلاً عما هي عليه. بينما كانت أداة أخرى، وهي FragPipe، دقيقة جداً مع هذه البروتينات غير المتغيرة، كما كانت أداة DIA-NN دقيقة جداً أيضاً ولكنها استخدمت نوعاً مختلفاً من الآلات لالتقاط البيانات في المقام الأول. لم يكن الاكتشاف الأكثر لفتاً للنظر يتعلق بأي البرامج كان الأفضل، بل بمدى إمكانية إفساد النتيجة النهائية بسبب قرارات بسيطة اتُخذت بعد انتهاء عمل البرنامج.

بعد أن حدد البرنامج البروتينات، اختبر الباحث سلسلة من الخطوات الشائعة التي يتخذها العلماء لتنقية البيانات. إحدى هذه الخطوات هي "المطابقة بين التشغيلات" (match-between-runs)، وهي ميزة تسمح للحاسوب بملء الأرقام المفقودة لبروتين في عينة ما عن طريق استعارة القيمة من عينة مماثلة. وأظهرت الدراسة أنه بينما ساعدت هذه الميزة في إيجاد المزيد من البروتينات، إلا أنها أدخلت المزيد من الضجيج، خاصة بالنسبة لبروتينات البكتيريا النادرة التي كان من الصعب اكتشافها. وكان هناك قرار حاسم آخر وهو كيفية التعامل مع البروتينات المفقودة تماماً من البيانات. اختبر الباحث عدة طرق لتخمين هذه القيم المفقودة. إحدى الطرق الشائعة، والتي تفترض أن البيانات المفقودة عشوائية، فشلت تماماً عندما كانت البيانات مفقودة لأن البروتين كان ببساطة نادراً جداً بحيث لا يمكن رؤيته. في تلك الحالة المحددة، خمن المنهج أن القيم المفقودة كانت متوسطة، مما أدى فعلياً إلى محو الزيادة الهائلة بمقدار أربعة أضعاف في البكتيريا التي كانت موجودة بالفعل.

جاءت التغييرات الأكثر دراماتيكية من كيفية اختبار البيانات بحثاً عن الأهمية الإحصائية. غالباً ما يستخدم العلماء اختباراً إحصائياً لتحديد ما إذا كان التغيير حقيقياً. وجدت الدراسة أنه إذا طلب الباحث ببساطة من الحاسوب إيجاد أي بروتين يبدو مختلفاً، دون اشتراط حد أدنى لحجم هذا الاختلاف، فإن عدد الإنذارات الكاذبة سينفجر. في أحد مخرجات البرامج، صنف اختبار قياسي أكثر من مائة بروتين بشري على أنها تغيرت، رغم أنها كانت معروفة باستقرارها. ومع ذلك، عندما أضاف الباحث قاعدة بسيطة تتطلب أن يكون التغيير بحجم معين على الأقل قبل اعتباره ذا أهمية، انخفض عدد الإنذارات الكاذبة من أكثر من مائة إلى مجرد حفنة قليلة. هذا القرار المنفرد قلل معدل الخطأ بأكثر من ثلاثين ضعفاً. وعلى العكس من ذلك، فإن إضافة خطوة إضافية لـ "التطبيع" (normalization) أو إعادة التوازن للبيانات، وهو إجراء شائع، جعل الأمور أسوأ لأداتين من البرامج، حيث خلق آلاف الإنذارات الكاذبة الجديدة حيث لم تكن موجودة من قبل.

كما بحثت الدراسة في كيفية تفسير العلماء لقوائم البروتينات هذه لفهم العمليات البيولوجية، وهي خطوة تسمى "تحليل الإثراء" (enrichment analysis). عندما يأخذ الباحثون قائمة بروتينات ويسألون قاعدة بيانات عن الوظائف التي تشارك فيها، فإن اختيار الخلفية (background) يكتسب أهمية هائلة. فإذا قارنوا قائمتهم بكامل الجينوم لجميع البروتينات الممكنة، سيجد الحاسوب مئات الوظائف "الهامة"، حتى لو كانت القائمة مجرد مجموعة عشوائية من البروتينات. ولكن إذا قارنوها فقط بالبروتينات التي تم اكتشافها بالفعل في التجربة، فستختفي الإنذارات الكاذبة. وهذا يشير إلى أن الخلفية المستخدمة للمقارنة تعمل مثل العدسة؛ فالنظر من خلال العدسة الخاطئة يجعل الضجيج العشوائي يبدو كإشارة.

الاستنتاج النهائي لهذا العمل هو أن اختيار محرك البرنامج أقل أهمية من القرارات التي تُتخذ بعد تشغيل البرنامج. قرار واحد، مثل إضافة حد أدنى للتغير (fold-change threshold) أو تجنب خطوة تطبيع إضافية، يمكن أن يغير عدد الاكتشافات الخاطئة بما يصل إلى أربعة وثلاثين ضعفاً. قدم الباحث قائمة مراجعة يمكن للآخرين اتباعها: استخدم قواعد صارمة للبيانات التي يجب الاحتفاظ بها، وتجنب تخمين القيم المفقودة ما لم تكن تفهم سبب فقدانها، واجمع بين الاختبارات الإحصائية ومتطلب وجود حد أدنى لحجم التغيير، واستخدم البروتينات المكتشفة كخلفية لتحليل الإثراء. ومن خلال اتباع هذه الضمانات البسيطة، يمكن للعلماء التأكد من أن القصص التي يروونها عن بياناتهم مبنية على تغيرات بيولوجية حقيقية وليس على آثار ناتجة عن أساليبهم الخاصة. لم تدّع الدراسة أنها حلت كل مشكلات المجال، لكنها أظهرت بوضوح أنه مع وجود إجابات معروفة، فإن الطريق إلى الخطأ غالباً ما يكون مرصوفاً بخطوات جيدة النية ولكنها غير ضرورية.