DiaReport: Reproducible Workflow for Differential Expression Analysis and Interactive Reporting in DIA-based Proteomics

DiaReport es un paquete de R de código abierto que ofrece un flujo de trabajo reproducible para el análisis de expresión diferencial y la generación de informes interactivos en proteómica basada en adquisición independiente de datos (DIA), integrando el procesamiento de datos, el modelado estadístico y la visualización mediante Quarto.

Lo esencial

Imagina que la proteómica (el estudio de las proteínas en tu cuerpo) es como intentar escuchar una conversación muy complicada en una fiesta ruidosa llena de miles de personas.

Antes, los científicos usaban un método para escuchar a las personas una por una (llamado DDA), pero era lento y se perdían muchas conversaciones. Ahora, usan un método llamado DIA (Adquisición Independiente de Datos), que es como poner un micrófono gigante que graba todo el ruido de la fiesta al mismo tiempo. Es mucho más completo, pero el resultado es un archivo de audio tan enorme y caótico que es casi imposible de entender sin ayuda.

Aquí es donde entra DiaReport, la herramienta que presentan en este artículo.

¿Qué es DiaReport?

Piensa en DiaReport como un "asistente de cocina" o un "chef robot" para científicos.

1. El Ingrediente Bruto: Los científicos tienen los datos crudos de la fiesta (el archivo de audio caótico del micrófono gigante).
2. El Proceso: DiaReport toma esos datos, los limpia, los organiza y los cocina.
   • Limpieza: Quita el ruido de fondo (como si filtrara las conversaciones de los camareros o el ruido de la música para quedarse solo con lo importante).
   • Organización: Agrupa a las personas que hablan de lo mismo (las proteínas) y compara quién habla más fuerte en un grupo que en otro.
   • Análisis: Usa matemáticas avanzadas (como un detective muy inteligente) para decirte: "¡Oye! En este grupo de personas, la proteína X está hablando el doble de fuerte que en el otro grupo".

¿Por qué es tan especial? (La analogía del "Reporte Mágico")

Antes, hacer este análisis era como cocinar una cena para 100 personas usando recetas escritas en papeles sueltos, con herramientas en diferentes idiomas y guardando los resultados en cajas de zapatos desordenadas. Si querías repetir la cena, ¡era un caos!

DiaReport cambia las reglas del juego de tres formas:

1. Todo en Uno: En lugar de usar cinco programas diferentes que no se hablan entre sí, DiaReport lo hace todo en una sola función. Es como tener una máquina que pela, corta, cocina y sirve el plato con un solo botón.
2. El Menú Interactivo (El Informe HTML): Esta es la parte más divertida. DiaReport no solo te da una hoja de cálculo aburrida con números. Te genera un sitio web interactivo (como un reporte de noticias moderno).
   • Puedes hacer clic en los gráficos.
   • Puedes buscar proteínas específicas como si buscaras en Google.
   • Puedes ver cómo se agrupan las muestras en mapas 3D.
   • Es como recibir un "libro de cuentos" sobre tus datos, donde tú eres el explorador y puedes navegar por la información a tu ritmo.
3. La Receta Infalible (Reproducibilidad): DiaReport guarda automáticamente "la receta" exacta de cómo se hizo todo (los ingredientes, los tiempos, los filtros). Si otro científico quiere repetir el experimento años después, solo tiene que seguir esa receta y obtendrá exactamente el mismo resultado. ¡Nada de "creo que puse un poco de sal"!

¿Para qué sirve en la vida real?

Los autores probaron esta herramienta con dos ejemplos:

• El "Test de Control" (UPS2): Imagina que mezclas jugo de manzana con un poco de jugo de naranja en cantidades conocidas. DiaReport fue capaz de decirte exactamente cuánto jugo de naranja había añadido, demostrando que es muy preciso.
• El Caso de las Vesículas (EV): Esto es como estudiar las "burbujas" que las células sueltan para comunicarse. Compararon dos métodos diferentes para recolectar estas burbujas (uno antiguo y uno nuevo). DiaReport les mostró rápidamente que el método nuevo (ultrafiltración) era más limpio, tenía menos "basura" (contaminantes) y daba resultados más consistentes. Les permitió ver en segundos lo que antes les hubiera tomado días de trabajo manual.

En resumen

DiaReport es una herramienta que toma datos de laboratorio muy complejos y caóticos, los transforma en una historia clara y visual, y asegura que cualquier persona pueda entenderla y repetirla.

Es como pasar de tener una pila de notas garabateadas en servilletas a tener una aplicación interactiva en tu teléfono que te explica exactamente qué está pasando en tus células, sin que tengas que ser un experto en programación para usarla.

Resumen técnico

Resumen Técnico: DiaReport

1. El Problema
Aunque la adquisición independiente de datos (DIA, por sus siglas en inglés) se ha convertido en el método preferido para la proteómica basada en espectrometría de masas, existen limitaciones significativas en los flujos de trabajo reproducibles para el análisis de expresión diferencial (DE) y la generación de informes.

• Fragmentación de herramientas: Aunque existen herramientas robustas para la cuantificación (como DIA-NN) y el modelado estadístico (como MSqRob o MSstats), pocas integran estos pasos en un flujo de trabajo automatizado de extremo a extremo.
• Falta de reproducibilidad y reportes interactivos: Los flujos de trabajo actuales a menudo dependen de scripts ad hoc, lo que dificulta la reproducibilidad. Además, las herramientas de visualización interactiva para el análisis DE son limitadas; muchas requieren entornos de servidor (como Shiny) que no son portátiles ni fáciles de archivar.
• Complejidad en el diseño experimental: Manejar diseños experimentales complejos y la gestión de valores faltantes en proteómica sigue siendo un desafío para los usuarios con conocimientos limitados de programación.

2. Metodología
DiaReport es un paquete de R de código abierto diseñado para cerrar esta brecha. Su arquitectura se basa en la integración de MSqRob y QFeatures para el procesamiento de datos y Quarto para la generación de informes.

• Entradas: Requiere dos archivos: la salida de cuantificación de DIA-NN (formato Parquet o TSV) y un archivo de diseño experimental (EDF) que especifica metadatos de las muestras.
• Procesamiento de Datos (Pipeline secuencial):
  1. Filtrado: Filtrado de valores-q a nivel de precursor y eliminación de contaminantes.
  2. Gestión de valores faltantes: Implementa estrategias de filtrado basadas en la completitud (definidas por un umbral k): completitud por grupo, entre grupos o global. Nota: No aplica imputación, ya que MSqRob modela explícitamente los valores faltantes.
  3. Transformación y Normalización: Transformación log2 y normalización seleccionable por el usuario.
  4. Resumen a nivel de proteína: Agregación de intensidades de precursores (ej. mediana robusta) para obtener niveles de proteína.
  5. Modelado Estadístico: Utiliza MSqRob para realizar el análisis de expresión diferencial, permitiendo fórmulas de diseño flexibles (incluyendo covariables y bloques).
• Generación de Informes:
  • Utiliza plantillas Quarto para crear informes HTML interactivos y autocontenidos.
  • Ofrece tres plantillas principales:
    • Base: Control de calidad y análisis DE estándar.
    • Parcial: Incluye análisis de características "ausentes en DE" (detectadas solo en ciertos grupos).
    • EV (Vesículas Extracelulares): Específica para investigación en EV, con métricas de calidad de marcadores y análisis de interferencia de contaminantes.
• Salida Estructurada: Guarda todos los parámetros en un archivo YAML, los resultados en un objeto QFeatures serializado (RDS) y exporta tablas y gráficos en formatos estándar (CSV, PDF) dentro de un directorio organizado.

3. Contribuciones Clave

• Flujo de trabajo unificado: Proporciona una única función de entrada para ejecutar todo el proceso, desde la salida cruda de DIA-NN hasta el informe final, eliminando la necesidad de cambiar entre interfaces de línea de comandos y entornos de visualización externos.
• Reproducibilidad computacional: Garantiza la trazabilidad mediante el almacenamiento de configuraciones, parámetros y objetos de datos estandarizados, facilitando la reanálisis y la colaboración.
• Portabilidad: Los informes HTML generados son independientes del servidor, lo que permite compartir y archivar resultados sin necesidad de mantener un entorno activo.
• Flexibilidad de diseño: Soporta desde comparaciones pareadas simples hasta diseños experimentales complejos (factores, bloques) y diferentes estrategias de filtrado de datos faltantes.

4. Resultados
El paquete fue validado mediante dos estudios de caso:

• Benchmark UPS2/Yeast: Se utilizó un estándar proteico universal (UPS2) inyectado en un fondo de levadura. DiaReport recuperó con precisión los cambios de plegado (fold-changes) esperados y mostró una agrupación clara en los gráficos PCA según los niveles de inyección, confirmando su precisión estadística.
• Estudio de Caso en Vesículas Extracelulares (EV): Se compararon dos protocolos de enriquecimiento de EV: ultracentrifugación (UC) y ultrafiltración de 96 pocillos (UF96).
  • Hallazgos: El informe reveló una menor abundancia de contaminantes de origen bovino en las muestras UF96 en comparación con UC, y una menor variabilidad en los marcadores de proteínas de EV.
  • Visualización: Los gráficos PCA interactivos mostraron una separación clara entre los métodos, con el grupo UF96 formando un clúster más definido. El análisis DE identificó proteínas con abundancia diferencial significativa, permitiendo observar que las proteínas transmembrana estaban más presentes en el enfoque UF96.
  • Rendimiento: Para cohortes típicas de proteómica clínica (50-200 muestras), el análisis y la generación de informes se completan en tiempos prácticos en una laptop estándar.

5. Significancia
DiaReport representa un avance importante en la democratización y estandarización de la proteómica DIA. Al integrar el procesamiento de datos, el modelado estadístico avanzado y la generación de informes interactivos en un solo paquete de R, reduce la barrera de entrada para investigadores sin experiencia en programación. Su enfoque en la reproducibilidad, la portabilidad de los informes y la capacidad de manejar diseños experimentales complejos lo convierte en una herramienta esencial para la interpretación biológica rápida y confiable de grandes conjuntos de datos proteómicos. Además, su arquitectura modular permite futuras extensiones a otros flujos de trabajo cuantitativos.

Disponibilidad:
El paquete es de código abierto, disponible en GitHub bajo licencia MIT, y los informes interactivos de los estudios de caso están archivados en Zenodo.