usiGrabber: Automating the curation of proteomics spectra data at scale, making large datasets ready for use in machine learning systems

Die Autoren stellen usiGrabber vor, ein skalierbares Framework zur automatisierten Extraktion und Aufbereitung massenspektrometrischer Proteomikdaten aus öffentlichen Repositorien, das die effiziente Erstellung großer, maschinenlernfähiger Datensätze ermöglicht und so manuelle Kuratierung ersetzt.

Das Wesentliche

Stell dir vor, die Welt der Proteomik (die Wissenschaft, die sich mit den Bausteinen des Lebens, den Proteinen, beschäftigt) ist wie eine riesige, chaotische Bibliothek. In dieser Bibliothek liegen Millionen von Büchern (Daten), die von Wissenschaftlern auf der ganzen Welt geschrieben wurden. Das Problem ist: Die Bücher sind nicht nach Themen sortiert, die Regale sind unübersichtlich, und die meisten Bücher sind in einer Sprache verfasst, die Computer nicht direkt verstehen können.

Bisher mussten Forscher wie mühsame Bibliothekare sein. Sie mussten sich durch Tausende von Regalen wühlen, manuell die relevanten Seiten aus den Büchern herausreißen, diese in ein neues Format umschreiben und dann in einen Ordner stecken, um sie für ihre Forschung (z. B. für künstliche Intelligenz) nutzbar zu machen. Dieser Prozess dauerte Jahre, war extrem anstrengend und bedeutete, dass viele neue Bücher einfach ignoriert wurden, weil niemand die Zeit hatte, sie zu sichten.

Das ist die Geschichte von „usiGrabber": Der intelligente Roboter-Bibliothekar

Die Autoren dieses Papiers haben einen neuen, genialen Helfer entwickelt: usiGrabber. Man kann sich das wie einen hochmodernen, automatisierten Roboter vorstellen, der in diese chaotische Bibliothek geschickt wird.

Hier ist, was usiGrabber anders macht, erklärt mit einfachen Vergleichen:

1. Statt manuelles Suchen: Der „Meta-Index"
Früher mussten Forscher die ganzen schweren Bücher (die riesigen Rohdaten-Dateien) herunterladen, um zu schauen, ob sie das Richtige enthalten. Das ist, als würde man einen ganzen Lastwagen mit Steinen kaufen, nur um einen einzigen kleinen Diamanten zu finden.

• usiGrabber macht es anders: Der Roboter liest zuerst nur die Inhaltsverzeichnisse und die Rückseiten der Bücher (die sogenannten mzIdentML-Dateien). Diese enthalten alle wichtigen Informationen darüber, was im Buch steht, ohne dass man das ganze Buch herunterladen muss.
• Der Trick: Er erstellt daraus einen riesigen, durchsuchbaren Katalog (eine Datenbank). In diesem Katalog steht genau: „In Buch Nr. 1234, Seite 50, gibt es einen Diamanten (eine spezifische Protein-Information)."

2. Das „Universal Spectrum Identifier" (USI) – Der Barcode
Jede einzelne Seite in jedem Buch bekommt einen einzigartigen Barcode, den sogenannten USI.

• Früher: Man wusste nicht, wo genau die Seite war.
• Mit usiGrabber: Der Roboter scannt den Katalog, sucht nach allen Barcodes, die auf „Phosphorylierung" (eine wichtige chemische Markierung in Proteinen) hinweisen, und erstellt eine perfekte Einkaufsliste mit genau diesen Barcodes.

3. Der „Just-in-Time"-Lieferdienst
Sobald die Liste mit den Barcodes fertig ist, geht der Roboter los. Er holt sich nur die spezifischen Seiten, die auf der Liste stehen, aus den riesigen Rohdaten-Büchern.

• Vorteil: Er muss nicht den ganzen Lastwagen (die Rohdaten) laden, sondern nur die wenigen Kisten, die er wirklich braucht. Das spart enorm viel Zeit und Speicherplatz.

Das große Experiment: Ein neuer KI-Trainer
Um zu beweisen, dass ihr System funktioniert, haben die Forscher eine spezielle Aufgabe gestellt: Sie wollten eine künstliche Intelligenz (KI) trainieren, die erkennt, ob ein Protein eine bestimmte chemische Markierung (Phosphorylierung) hat oder nicht.

• Der alte Weg: Man hätte jahrelang manuell Daten gesammelt. Die KI wäre auf alten, verstaubten Daten trainiert worden (wie ein Schüler, der nur aus Büchern von vor 10 Jahren lernt).
• Der usiGrabber-Weg: Der Roboter hat in weniger als zwei Tagen eine riesige, frische Sammlung von fast 11 Millionen neuen Datenpunkten zusammengestellt.
• Das Ergebnis: Die KI, die mit diesen neuen, automatisch gesammelten Daten trainiert wurde, war genauso gut wie die besten KIs, die bisher mit mühsam manuell gesammelten Daten trainiert wurden. Sie hat die alte KI sogar in einigen Punkten übertroffen!

Warum ist das so wichtig?

Stell dir vor, du möchtest ein Auto lernen, das selbst fährt.

• Ohne usiGrabber: Du müsstest Jahre lang jeden einzelnen Verkehrsschild von Hand abfotografieren, sortieren und in einen Ordner stecken. Bis du fertig bist, sind die Straßenregeln schon wieder anders.
• Mit usiGrabber: Du hast einen Roboter, der in Sekunden Millionen von aktuellen Verkehrsschildern findet, sortiert und dir genau die liefert, die du brauchst, um das Auto zu trainieren.

Fazit in einem Satz:
usiGrabber ist wie ein magischer Schlüssel, der die riesigen, verschlossenen Daten-Schätze der Wissenschaft für künstliche Intelligenz öffnet, sodass Forscher nicht mehr Jahre mit dem Sortieren verbringen müssen, sondern sofort mit der eigentlichen Forschung beginnen können – und das mit Daten, die heute aktuell sind, nicht die von vor zehn Jahren.

Technische Zusammenfassung

1. Problemstellung

Die Proteomik-Community hat eine beispiellose Menge an massenspektrometrischen Daten in öffentlichen Repositorien wie PRIDE (PRoteomics IDEntifications Database) hinterlegt. Trotz des exponentiellen Wachstums von Publikationen, die maschinelles Lernen (ML) in der Proteomik betreffen, bleibt die Anwendung von ML-Methoden im Vergleich zu anderen Omics-Bereichen unterausgelastet.

Die Hauptursache liegt in der mangelnden Wiederverwendbarkeit dieser Daten für ML-Zwecke:

• Manuelle Kuratierung: Der Aufbau von ML-fähigen Datensätzen erfordert derzeit tiefes Domänenwissen und manuelle Arbeit, um relevante Spektren aus Projekten auszuwählen. Dieser Prozess ist zeitaufwendig und skaliert nicht.
• Veraltete Datensätze: Viele aktuelle Modelle (z. B. Casanovo, Modanovo, AHLF) basieren auf statischen, manuell kuratierten Datensätzen, die oft mehrere Jahre alt sind (z. B. MassIVE-KB v1 von 2018 oder Daten von 2017). Neuere Daten bleiben ungenutzt.
• Technische Hürden: Bestehende Repositorien sind für die Projekt-Erkennung optimiert, nicht für den spektralen Abruf. Tools wie pridepy erlauben nur den Bulk-Download ganzer Rohdateien, während der PRIDE USI-Dienst nur für die Visualisierung einzelner Spektren gedacht ist. Eine vollständige Neuverarbeitung (Reanalysis) aller Daten ist rechen- und speicherintensiv und für die meisten Gruppen nicht machbar.

2. Methodik: usiGrabber Framework

Das Paper stellt usiGrabber vor, ein skalierbares Framework zur automatischen Zusammenstellung großer Proteomik-Datensätze. Es basiert auf dem Prinzip der Portabilität und Erweiterbarkeit, anstatt eine zentrale Datenbank zu verwalten. Der Workflow besteht aus drei Hauptschritten (visualisiert in Abbildung 1B):

1. Extraktion (usiGrabber Extraction Tool):

   • Das Tool lädt und analysiert mzIdentML-Dateien (Standardformat für Identifikationsergebnisse) aus PRIDE-Projekten.
   • Es extrahiert Metadaten auf Projektebene (z. B. Organismus, Instrument) über die PRIDE-API.
   • Auf Ebene der Peptid-Spektren-Matches (PSM) werden Daten wie Sequenz, posttranslationale Modifikationen (PTMs), Ladungszustand, Masse-zu-Ladung-Verhältnis und der zugehörige Rohdaten-Dateiname extrahiert.
   • Die Daten werden normalisiert, mit Ontologien (UNIMOD, NCBITaxon, MS) angereichert und in einer PostgreSQL-Datenbank gespeichert.
   • Ein entscheidender Schritt ist die Generierung und Indizierung von Universal Spectrum Identifiers (USIs), die es ermöglichen, einzelne Spektren referenzierbar zu machen.

2. Filterung und Abfrage:

   • Forscher können die Datenbank mit einfachen Abfragen durchsuchen, um spezifische USIs basierend auf komplexen Kriterien (z. B. spezifische PTMs, Ladungszustände, Qualitätskriterien) zu identifizieren.
   • Dies ermöglicht die Erstellung maßgeschneiderter Datensätze ohne manuelle Sichtung tausender Projekte.

3. Download und Validierung (usiGrabber Download Tool):

   • Basierend auf der Liste gefilterter USIs lädt das Tool die entsprechenden Rohdaten-Dateien (Thermo Fisher Raw) von PRIDE herunter.
   • Es extrahiert die spezifischen Spektren unter Verwendung des ThermoRawFileParser (v2.0).
   • Qualitätskontrolle: Ein kritischer Schritt ist der Abgleich des Ladungszustands (Charge State) zwischen den Metadaten in der mzIdentML-Datei und dem tatsächlich extrahierten Spektrum. Bei Diskrepanzen wird die gesamte Rohdatei verworfen, um die Integrität des Datensatzes zu gewährleisten.
   • Die Ausgabe erfolgt in ML-freundlichen Formaten wie Parquet oder MGF.

3. Wichtige Beiträge

• Skalierbarkeit: usiGrabber ermöglicht die Verarbeitung von Hunderten Millionen PSMs in kurzer Zeit, ohne dass eine vollständige Neuverarbeitung der Rohdaten notwendig ist.
• Automatisierung: Es ersetzt manuelle Kuratierungsprozesse durch einen automatisierten Pipeline-Ansatz, der neue Daten sofort integrieren kann.
• Flexibilität: Das System erlaubt es Nutzern, ihre eigene Datenbank-Instanz zu erstellen und spezifische, aufgabenorientierte Datensätze zu generieren, anstatt sich auf einen festen, zentralen Datensatz zu verlassen.
• Offene Verfügbarkeit: Der Code, die Datenbank-Struktur und die erstellten Datensätze sind öffentlich zugänglich (GitHub, Zenodo).

4. Ergebnisse

Die Autoren demonstrierten die Funktionalität von usiGrabber durch die Erstellung eines Datensatzes für die Klassifizierung von Phosphorylierungen (binärer Klassifikator):

• Extraktionsleistung: Innerhalb von 49 Stunden wurden über 800 Millionen PSMs aus mehr als 1.200 Projekten (von ursprünglich 4.116 potenziell geeigneten Projekten) extrahiert und indiziert. Die Extraktionsgeschwindigkeit lag bei ca. 18 Millionen PSMs pro Stunde.
• Datensatz-Erstellung: Ein phosphorylierungs-spezifischer Trainingsdatensatz mit fast 11 Millionen Spektren wurde in weniger als zwei Tagen erstellt.
  • Startpunkt: ~42,6 Millionen potenzielle PSMs.
  • Nach Filterung (Rank 1, Qualitätsschwellenwerte, Ladungszustands-Validierung): ~10,96 Millionen hochvertrauenswürdige PSMs.
  • Die strikte Validierung des Ladungszustands führte zum Ausschluss von ca. 57 % der Daten, was jedoch die Robustheit des Datensatzes sicherstellte.
• Modell-Performance: Ein binärer Phosphorylierungs-Klassifikator basierend auf der AHLF-Architektur wurde auf diesem neuen Datensatz neu trainiert.
  • Das Modell erreichte eine balanced Accuracy von 0,78 und einen F1-Score von 0,71.
  • Dies ist vergleichbar mit den Ergebnissen der ursprünglichen, manuell kuratierten AHLF-Modelle (die auf veralteten Daten basierten).
  • Das neu trainierte Modell übertraf vier der fünf Referenzmodelle (AHLF Alpha, Beta, Delta, Gamma) oder erreichte zumindest deren Niveau, obwohl es auf einem automatisiert erstellten Datensatz trainiert wurde. Nur das Ensemble-Modell (mit doppelten Trainingsdaten) schnitt leicht besser ab.

5. Bedeutung und Ausblick

Das Paper zeigt, dass die Lücke zwischen der riesigen Menge an öffentlich verfügbaren Proteomik-Daten und den Anforderungen des maschinellen Lernens durch Automatisierung geschlossen werden kann.

• Paradigmenwechsel: usiGrabber ermöglicht den Übergang von statischen, veralteten Legacy-Datensätzen zu dynamischen, aktuellsten Datensätzen, die neue biologische Erkenntnisse sofort einbeziehen können.
• Ressourceneffizienz: Im Gegensatz zu rechenintensiven Reanalysis-Pipelines (wie bei MassIVE-KB) nutzt usiGrabber existierende Identifikationsergebnisse, was den Aufwand für die Datenvorbereitung drastisch senkt.
• Zukunftsfähigkeit: Das Framework ist modular aufgebaut und kann durch Unterstützung weiterer Dateiformate (z. B. MaxQuant) und Metadaten-Standards (z. B. SDRF) weiter erweitert werden.

Zusammenfassend beweist usiGrabber, dass große, hochwertige und für ML vorbereitete Proteomik-Datensätze automatisiert und in kurzer Zeit erstellt werden können, was die Grundlage für die nächste Generation von KI-Modellen in der Proteomik bildet.