Comprehensive top-down mass spectral repository enables pan-dataset analysis and top-down spectral prediction

El artículo presenta TopRepo, el primer repositorio integral de espectros de espectrometría de masas de arriba hacia abajo (TD-MS) con más de 18 millones de espectros, que permite análisis panconjunto de proteoformas y mejora significativamente la identificación de proteoformas y el entrenamiento de modelos de aprendizaje profundo para la predicción espectral.

Lo esencial

Imagina que el cuerpo humano es una ciudad inmensa y compleja. Dentro de esta ciudad, las proteínas son los edificios. Pero, a diferencia de los edificios de ladrillo que siempre se ven iguales, las proteínas son como edificios que cambian de forma constantemente: a veces les crece una torre extra, a veces se les pinta la fachada, a veces se les quita una ventana o se les añade un letrero brillante. A cada una de estas versiones únicas de un edificio se le llama proteoforma.

Hasta ahora, los científicos tenían un gran problema: para estudiar estos "edificios", solían usar un método que los desarmaba en ladrillos sueltos (llamado bottom-up). Era como intentar entender la arquitectura de un rascacielos rompiéndolo en mil pedazos y tratando de adivinar cómo era el edificio original solo mirando los ladrillos. Funcionaba, pero perdías la visión completa.

La técnica de "Arriba hacia Abajo" (Top-Down) es como tomar una foto aérea del edificio entero sin romperlo. Es mucho mejor, pero había un obstáculo gigante: no teníamos un mapa. No existía una biblioteca de fotos de estos edificios para comparar y saber qué era lo que veíamos.

Aquí es donde entra este nuevo estudio, que presenta TopRepo.

1. TopRepo: La "Google Maps" de las Proteínas

Los autores (un equipo de científicos de varias universidades) han creado TopRepo, que es como la biblioteca de fotos más grande del mundo para estos edificios proteicos intactos.

• La escala: Han reunido más de 18 millones de "fotos" (espectros de masas) de 12 especies diferentes (desde humanos hasta bacterias y ratones).
• La curaduría: De esas 18 millones, han limpiado y organizado más de 5 millones para crear un catálogo perfecto. Es como si antes tuvieras una pila de fotos borrosas y desordenadas, y ahora tuvieras un álbum de fotos de alta calidad donde cada edificio está etiquetado con su nombre, dirección y características.

2. ¿Qué descubrimos con este mapa?

Al tener este mapa gigante, los científicos pudieron hacer cosas que antes eran imposibles:

• Detectar los "cortes" y "pinturas": Pudieron ver cómo las proteínas se recortan en sus extremos (como si a un edificio le quitaran el último piso) o cómo se les añaden etiquetas químicas (como pintar la fachada). Descubrieron patrones muy específicos, como que ciertas proteínas siempre pierden el primer "ladrillo" (metionina) y luego se les pone un "letrero" de acetilo, dependiendo de qué material tenga el edificio.
• La inconsistencia de los laboratorios: Notaron algo curioso. Si dos laboratorios diferentes toman una foto del mismo edificio (la misma proteína), a veces salen fotos muy distintas. ¡Es como si un fotógrafo tomara una foto del edificio desde el frente y otro desde atrás, y parecieran edificios diferentes! Esto les dijo a los científicos que necesitan estandarizar mejor cómo toman las fotos (preparación de muestras).
• Mejor identificación: Cuando usaron este nuevo catálogo gigante para buscar proteínas en una muestra nueva, encontraron un 41% más de edificios que con los catálogos pequeños anteriores. ¡Es como si tuvieras un mapa de la ciudad y pudieras encontrar calles que antes ni sabías que existían!

3. El "Ojo de Águila" Artificial (IA)

La parte más emocionante es que usaron este catálogo para entrenar a una Inteligencia Artificial (IA) llamada TD-Pred.

• El entrenamiento: Imagina que le muestras a un niño 5 millones de fotos de edificios y le dices: "Mira, si el edificio tiene esta forma, la foto tendrá estos patrones de luz".
• El resultado: La IA aprendió a predecir cómo se verá la foto de un edificio solo mirando su plano arquitectónico (la secuencia de aminoácidos).
• La magia: Ahora, si la IA "ve" una foto nueva, puede decirte: "Esto es un edificio tipo X, y tiene una ventana rota en el piso 5". Esto ayuda a identificar proteínas con mucha más precisión y rapidez, incluso si nunca antes habíamos visto ese edificio exacto.

En resumen

Este trabajo es como construir la primera enciclopedia visual masiva de las proteínas completas.

1. Recolectaron millones de imágenes de proteínas intactas.
2. Organizaron un catálogo gigante para que cualquiera pueda consultar.
3. Usaron ese catálogo para enseñar a una computadora a "ver" y predecir cómo son las proteínas.

Esto es un salto gigante para la medicina y la biología. Ahora, en lugar de adivinar cómo son los "edificios" de nuestras células, tenemos un mapa detallado y un asistente inteligente que nos ayuda a entender la salud y la enfermedad a un nivel que antes era invisible.

Resumen técnico

Resumen Técnico: TopRepo y Predicción Espectral de Proteoformas

1. El Problema

La espectrometría de masas de abajo hacia arriba (BU-MS) ha beneficiado enormemente de bibliotecas espectrales a gran escala para el entrenamiento de modelos de aprendizaje profundo (DL) y la secuenciación de novo. Sin embargo, la espectrometría de masas de arriba hacia abajo (TD-MS), que analiza proteínas intactas (proteoformas) sin digestión enzimática, carece de bibliotecas espectrales comprehensivas y estandarizadas. Esta falta de recursos limita el desarrollo de métodos computacionales avanzados, la identificación precisa de modificaciones postraduccionales (PTMs) y la localización de sitios de modificación. Además, la heterogeneidad de los datos existentes dificulta el análisis comparativo entre diferentes conjuntos de datos y plataformas instrumentales.

2. Metodología

Los autores desarrollaron TopRepo, un repositorio centralizado y un pipeline de análisis unificado para integrar datos de TD-MS dispersos.

• Recolección y Procesamiento de Datos:

  • Se integraron 3,671 archivos de datos crudos de MS/MS provenientes de 33 publicaciones, abarcando 12 especies (incluyendo humanos, E. coli, ratón, levadura, etc.) y 8 tipos de instrumentos (principalmente Orbitrap y FT-ICR).
  • Se utilizó un pipeline estandarizado: conversión a mzML con msconvert, desconvolución espectral y detección de características con TopFD, e identificación de proteoformas contra bases de datos UniProt con TopPIC.
  • Se aplicó un control de calidad basado en la Tasa de Descubrimiento Falso (FDR) al 1% a nivel de espectro y proteoforma.
  • Los datos se organizaron en 38 proyectos y 111 subconjuntos basados en tipo de muestra, instrumento y método de fragmentación.

• Construcción de la Biblioteca:

  • Se generó una biblioteca curada no redundante de 5.4 millones de espectros con anotaciones de proteoformas e iones fragmentos.
  • Se eliminaron duplicados a nivel de archivo, proyecto y repositorio para crear conjuntos de proteoformas representativos.

• Modelo de Aprendizaje Profundo (TD-Pred):

  • Se desarrolló TD-Pred, un modelo de DL que combina Redes Neuronales Convolucionales (CNN) y capas de Transformadores.
  • Codificación: Las secuencias de proteoformas se codifican mediante one-hot combinado con características de masa, posición y longitud. Se añaden metadatos experimentales (carga del precursor, tipo de instrumento, energía de colisión) a cada posición de la secuencia.
  • Arquitectura: Utiliza 8 módulos CNN paralelos para capturar dependencias locales y una arquitectura Transformer (6 codificadores, 6 decodificadores no autoregresivos) para predecir el espectro.
  • Representación del Espectro: Se utilizó una representación "backbone" de matriz $(L-1) \times 60$ (donde $L$ es la longitud de la secuencia y 60 corresponde a los iones N y C terminales en cargas 1-30).

3. Contribuciones Clave

• TopRepo: El primer repositorio comprehensivo de espectros TD-MS, conteniendo más de 18.2 millones de espectros y una biblioteca curada de más de 5.4 millones de espectros anotados.
• Análisis Pan-Dataset: Capacidad para analizar características de proteoformas (procesamiento N-terminal, desplazamientos de masa, longitud) a través de múltiples especies y plataformas instrumentales de manera unificada.
• TD-Pred: Un nuevo modelo de predicción espectral in silico de alta precisión diseñado específicamente para proteoformas intactas, superando las limitaciones de los modelos existentes para péptidos.
• Mejora en Identificación: Demostración de que el uso de una biblioteca a gran escala derivada de TopRepo mejora drásticamente la sensibilidad en la búsqueda de bibliotecas espectrales.

4. Resultados Principales

• Identificaciones: Se identificaron exitosamente 5,466,902 coincidencias proteoforma-espectro (PrSMs), resultando en 311,248 proteoformas únicas y 19,318 proteínas.
• Caracterización de Proteoformas:
  • Solo el 16.3% de las proteoformas identificadas fueron "completas" (sin truncamientos), lo que sugiere que la digestión enzimática endógena durante la preparación de muestras es un factor limitante.
  • Se observaron patrones claros de excisión de metionina N-terminal (NME) y acetilación N-terminal (NTA) consistentes con la especificidad de las metionina aminopeptidasas y acetiltransferasas conocidas.
  • Se identificaron eventos de procesamiento de péptidos señal en 209 proteínas humanas.
• Reproducibilidad: La reproducibilidad a nivel de proteína entre diferentes laboratorios fue moderada (39-72%), pero a nivel de proteoforma fue baja (≤17% en la mayoría de los casos), debido principalmente a la identificación de proteoformas truncadas únicas de cada protocolo experimental.
• Impacto en la Identificación: El uso de la biblioteca HUMAN-HCD (258,867 espectros) en lugar de una biblioteca pequeña derivada de un solo conjunto de datos (SW480-2D) aumentó la identificación de proteoformas en un 41.5%.
• Rendimiento de TD-Pred:
  • El modelo alcanzó una similitud de coseno de validación de 0.821 al entrenar con datos combinados de CID y HCD.
  • La precisión disminuyó para proteoformas largas (>80 residuos) y cargas altas (>20), reflejando la escasez de datos de entrenamiento en esas categorías y la mayor complejidad espectral.
  • La eliminación de la predicción de estados de carga de los iones fragmentos (usando una representación simplificada) mejoró la precisión a 0.867 para espectros CID.

5. Significado e Impacto

Este trabajo establece un nuevo estándar para la proteómica de arriba hacia abajo. TopRepo no solo resuelve la escasez crítica de datos de entrenamiento para TD-MS, sino que también habilita:

1. Avances en IA: Permite el entrenamiento de modelos de aprendizaje profundo robustos para la predicción espectral, lo cual es fundamental para la identificación de novo y la mejora de la localización de PTMs.
2. Caracterización Global: Facilita el estudio de la diversidad de proteoformas y modificaciones en un contexto global, más allá de las limitaciones de los enfoques de abajo hacia arriba.
3. Reproducibilidad y Estandarización: Al proporcionar un pipeline unificado y datos armonizados, TopRepo permite comparaciones directas entre estudios que anteriormente eran imposibles debido a la heterogeneidad de los datos.

A pesar de limitaciones actuales (como la dependencia de plataformas Orbitrap/FT-ICR y la necesidad de mejorar la desconvolución para PTMs complejos), TopRepo sienta las bases para la evolución futura de la proteómica de proteoformas y la integración de datos multi-ómica.