🧬 biology

quantmsdiann: a scalable SDRF-driven DIA-NN workflow for reanalysis of single-cell, spatial, and bulk proteomics datasets

El artículo presenta quantmsdiann, un flujo de trabajo de Nextflow escalable y de código abierto que estandariza y acelera el reanálisis de diversos conjuntos de datos de proteómica DIA utilizando las versiones más recientes de DIA-NN, mejorando significativamente las tasas de identificación de proteínas y permitiendo metaanálisis a gran escala mediante un procesamiento reproducible y listo para la nube.

Autores originales: Qi-Xuan Yue, Yufei Shen, Chengxin Dai, Asier Larrea-Sebal, Henry Webel, Jose Nimo, Fabian Coscia, Orhun Kok, Nikolai Slavov, Juan Antonio Vizcaíno, Timo Sachsenberg, Mingze Bai, Vadim Demichev, Yasset

Publicado 2026-07-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Qi-Xuan Yue, Yufei Shen, Chengxin Dai, Asier Larrea-Sebal, Henry Webel, Jose Nimo, Fabian Coscia, Orhun Kok, Nikolai Slavov, Juan Antonio Vizcaíno, Timo Sachsenberg, Mingze Bai, Vadim Demichev, Yasset Perez-Riverol

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina el mundo de la proteómica (el estudio de todas las diminutas proteínas que hacen que la vida funcione) como una biblioteca masiva y caótica. Durante años, los científicos han estado vertiendo miles de libros (archivos de datos) en los estantes utilizando un escáner de alta tecnología específico llamado "DIA-NN". Pero aquí está el problema: cada vez que alguien añadía un libro, usaba una configuración de escáner ligeramente diferente, un sistema de catalogación distinto y, a menudo, olvidaba anotar qué es lo que estaba buscando. Si quisieras encontrar una historia específica en esta biblioteca hoy, tendrías que releer cada uno de los libros desde el principio, uno por uno, en una computadora de escritorio lenta y vieja. Es como intentar encontrar una aguja en un pajar usando guantes de cocina.

Aquí entra quantmsdiann, un nuevo robot bibliotecario superpotente diseñado para arreglar este desastre.

El Descubrimiento Principal: Velocidad e Inteligencia
Los autores construyeron este robot para que funcione en una "nube" de cientos de computadoras trabajando juntas, en lugar de solo una máquina solitaria. Piensa en esto como contratar a 300 personas para clasificar una pila de correo en lugar de una sola persona haciéndolo sola. El robot no solo lee el correo; entiende el "SDRF" (una hoja de instrucciones estandarizada que le dice exactamente cómo se configuró cada experimento).

El resultado: En una prueba que involucró una pila masiva de 2,300 archivos de proteínas de célula única (lo que es como releer la cantidad de libros de una pequeña ciudad), la forma antigua tardaría una eternidad. Pero este nuevo robot, ejecutándose en 300 computadoras, terminó todo el trabajo en solo 2.2 horas. Incluso con un equipo más pequeño de 10 computadoras, terminó en 37.4 horas. El artículo muestra que a medida que se añaden más computadoras, el tiempo se reduce casi exactamente a la mitad, hasta que llegas a un punto donde los pasos "seriales" (como cuando el bibliotecario necesita pegar las páginas) se convierten en el cuello de botella, pero la aceleración sigue siendo increíble.

Lo que NO ES (Las Reglas)
El artículo es muy claro sobre lo que esta herramienta no es. No es una varita mágica que cambia los datos en sí. Los autores probaron explícitamente si ejecutar el trabajo en 300 computadoras cambiaba las respuestas en comparación con ejecutarlo en una sola computadora. Encontraron que no hubo diferencia en la precisión de los resultados. El robot no inventó nuevos hechos; simplemente encontró los hechos existentes mucho más rápido.

Además, el artículo argumenta en contra de la idea de que necesitas convertir cada archivo en un formato genérico (como convertir un archivo .raw en un archivo .mzML) antes de comenzar. La forma antigua forzaba esta conversión. El nuevo robot es más inteligente: puede leer los formatos "nativos" originales de diferentes fabricantes de máquinas (como Thermo, Bruker y Sciex) directamente, convirtiéndolos solo si es absolutamente necesario. Esto ahorra una enorme cantidad de tiempo y esfuerzo.

La Sorpresa de la "Actualización"
Aquí está la parte más emocionante. Los autores no solo aceleraron las cosas; también actualizaron el "cerebro" del robot. Probaron el robot utilizando versiones más antiguas del software DIA-NN y versiones más nuevas. Encontraron que simplemente actualizar la versión del software (de la 1.8.1 a la última 2.5.1) hizo que el robot "viera" más proteínas.

En experimentos de célula única, el software más reciente encontró hasta un 17% más de grupos de proteínas que la versión anterior. Pero la verdadera magia ocurrió cuando reanalizaron datos antiguos y públicos de la biblioteca. Cuando ejecutaron el nuevo robot en datos que originalmente fueron procesados con software antiguo (o herramientas que no eran DIA-NN), recuperaron hasta un 59% más de grupos de proteínas de lo que se había publicado originalmente. Es como encontrar un capítulo oculto en un libro que creías haber terminado de leer. El artículo señala que si los datos originales ya habían sido procesados con una versión reciente de DIA-NN, la ganancia era menor, pero si eran antiguos, la ganancia era enorme.

Cómo Funciona (La Metáfora)
Imagina el flujo de trabajo como un sistema de metro:

La Estación (Entrada): El robot toma una lista de instrucciones (SDRF) y una pila de archivos brutos.
Las Vías Paralelas (Rojo): Cientos de pequeños trenes (computadoras) salen disparados simultáneamente. Cada tren toma un archivo, lo limpia y realiza un escaneo rápido. Esto sucede en paralelo, por lo que 300 archivos se escanean a la vez.
El Empalme (Serial/Verde): Los trenes regresan a un centro de control. Aquí, el robot combina todos los pequeños escaneos en una "biblioteca empírica" gigante (un mapa maestro de lo que se encontró). Este paso tiene que ocurrir uno tras otro, como una vía única.
La Parada Final: El robot imprime un reporte limpio y organizado (en un formato llamado QPX y MSstats) que cualquiera puede usar, junto con una lista de control de calidad (pmultiqc) para asegurar que nada salió mal.

La Conclusión
El artículo demuestra que esta nueva herramienta está lista para el mundo real. Fue probada en todo, desde muestras diminutas de célula única hasta enormes líneas celulares masivas e incluso proteómica espacial (mapeo de proteínas en tejidos). Funciona en diferentes tipos de clústeres de computadoras (HPC) y no altera los datos.

Los autores sugieren que esta herramienta es un "paso hacia un reanálisis escalable y reproducible". No están afirmando que resuelva todos los problemas de la biología, pero han demostrado que, al usar este robot, los científicos pueden excavar en los vastos archivos de datos públicos y encontrar significativamente más información de la que podrían haber encontrado antes, todo mientras mantienen los resultados precisos y el proceso rápido. Convierte una búsqueda del tesoro lenta y manual en una excavación automatizada de alta velocidad.

Resumen Técnico: quantmsdiann

Planteamiento del Problema
Los archivos públicos de proteómica contienen miles de conjuntos de datos de Adquisición Independiente de Datos (DIA), pero su reutilización se ve obstaculizada por configuraciones de software inconsistentes y una falta de metadatos estandarizados. Aunque DIA-NN es un motor de análisis líder para datos DIA, su adopción generalizada como aplicación de escritorio limita la escalabilidad para el reprocesamiento de grandes cohortes (cientos a miles de ejecuciones) requeridas para meta-análisis o la construcción de atlas. Los flujos de trabajo existentes, como el flujo de trabajo quantms de los autores, estaban limitados por conjuntos de parámetros fijos, versiones codificadas de forma rígida y una conversión obligatoria de raw a mzML, lo que dificultaba el reanálisis iterativo y la adaptación a las nuevas funciones de DIA-NN. La naturaleza heterogénea de los pasos de DIA-NN —que van desde pasadas ligeras por archivo hasta la consolidación de cohortes con uso intensivo de memoria— requiere un flujo de trabajo capaz de distribuir dinámicamente las tareas a través de recursos heterogéneos de la nube y de Computación de Alto Rendimiento (HPC).

Metodología
Los autores presentan quantmsdiann, un flujo de trabajo de Nextflow/nf-core de código abierto, impulsado por SDRF (Sample and Data Relationship Format), diseñado específicamente para DIA-NN. Las características metodológicas clave incluyen:

Diseño basado primero en SDRF: El flujo de trabajo acepta SDRF como la entrada principal, extendido con columnas específicas de DIA (rangos de escaneo MS1/MS2, definiciones de canales de plexDIA). Esto permite procesar conjuntos de datos independientes con diferentes esquemas de adquisición en una sola invocación sin necesidad de armonización manual de parámetros.
Manejo de Archivos Nativos: A diferencia de sus predecesores que requieren una conversión previa, quantmsdiann lee directamente formatos de proveedores nativos (Thermo .raw, Bruker .d, Sciex .wiff). La conversión a mzML ocurre solo cuando es necesaria para versiones o formatos específicos de DIA-NN, aprovechando herramientas como ThermoRawFileParser y wiffconverter.
Agnosticismo de Versión y Contenedorización: El flujo de trabajo soporta versiones de DIA-NN desde la 1.8.1 hasta la 2.5.1 (incluyendo builds empresariales). Utiliza perfiles de contenedores fijados (Docker/Singularity) para cada versión, seleccionando automáticamente la imagen apropiada durante la ejecución.
Estrategia de Ejecución Paralela: El flujo de trabajo imita el flujo de múltiples pasadas distribuidas de DIA-NN:
1. Etapas Paralelas por Archivo: La preparación de archivos raw, la calibración preliminar y las búsquedas individuales se distribuyen entre los nodos.
2. Etapas de Cohorte Seriales: La generación de librerías in-silico (si es libre de librería), el ensamblaje de librerías empíricas, la cuantificación final y la conversión a MSstats se realizan de forma centralizada.
Estandarización de Salida: El flujo de trabajo exporta tablas de cuantificación armonizadas en formato MSstats, un archivo de archivo Parquet de intercambio de Proteómica Cuantitativa (QPX) estandarizado (que incluye identificaciones, metadatos y procedencia) y un informe de control de calidad pmultiqc.

Resultados Clave
Los autores evaluaron quantmsdiann mediante pruebas de escalabilidad, pruebas de equivalencia analítica y el reanálisis de conjuntos de datos públicos:

Escalabilidad: En un conjunto de datos de célula única de 2,300 ejecuciones (PXD071075), el flujo de trabajo redujo el tiempo de ejecución de 37.4 horas en 10 nodos a 2.2 horas en 300 nodos. El escalamiento se mantuvo casi ideal ( $1/N$ ) hasta aproximadamente 100 nodos, con una meseta práctica cerca de los 200 nodos debido a los pasos seriales fijos y la contención de E/S.
Rendimiento (Throughput): A través de conjuntos de datos que van desde cientos hasta casi 6,000 ejecuciones (por ejemplo, la cohorte de 5,798 ejecuciones de ProCan), los tiempos de finalización se mantuvieron dentro de las horas, demostrando que el tiempo de ejecución está gobernado por el costo de búsqueda por ejecución en lugar del número total de archivos.
Equivalencia Analítica: Las comparaciones con las contribuciones de la comunidad ProteoBench confirmaron que las ejecuciones distribuidas de quantmsdiann reproducen la misma precisión de cuantificación (cambios de razón log₂) que las ejecuciones de DIA-NN en una sola máquina.
Ganancias en Identificación: La actualización de DIA-NN de la versión 1.8.1 a la actual 2.5.1 aumentó las identificaciones de grupos de proteínas entre un 10 y 12% en todas las modalidades (célula única, bulk, timsTOF, Orbitrap).
Impacto del Reanálisis: El reanálisis de conjuntos de datos DIA públicos con quantmsdiann y la versión más reciente de DIA-NN superó consistentemente los recuentos de identificación depositados originalmente. Las ganancias alcanzaron hasta un 59% más de grupos de proteínas, particularmente en conjuntos de datos procesados originalmente con motores más antiguos o herramientas que no son DIA-NN.

Significancia y Reivindicaciones
El artículo posiciona a quantmsdiann como un paso fundamental hacia el reanálisis escalable y reproducible del creciente archivo de datos DIA. Al combinar la reproducibilidad de nf-core con la sensibilidad de las versiones actuales de DIA-NN, el flujo de trabajo permite:

Reanálisis Iterativo: Haciendo factible el reprocesamiento rápido de grandes cohortes en lugar de tratar el reanálisis como un esfuerzo de una sola vez.
Meta-Análisis y Construcción de Atlas: Proporcionando un motor estandarizado y de alto rendimiento para integrar datos entre cohortes y construir atlas DIA a gran escala.
Maximización del Valor de los Datos: Demostrando que el reprocesamiento de datos archivados con motores actualizados produce mensurablemente más información biológica (identificaciones) a partir de los depósitos existentes.

Los autores enfatizan que el flujo de trabajo no está ligado a una infraestructura específica, habiendo sido validado tanto en el clúster de HPC de EMBL-EBI como en clústeres independientes de SLURM, y está disponible como un recurso comunitario para facilitar el meta-análisis de DIA a gran escala.

Más como este