🧬 biology

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

यह शोधपत्र quantmsdiann को प्रस्तुत करता है, जो एक स्केलेबल, ओपन-सोर्स Nextflow वर्कफ़्लो है जो नवीनतम DIA-NN संस्करणों का उपयोग करके विविध DIA प्रोटिओमिक्स डेटासेट के पुनरविश्लेषण को मानकीकृत और त्वरित करता है, जिससे प्रोटीन पहचान दर में महत्वपूर्ण सुधार होता है और पुनरुत्पादक, क्लाउड-रेडी प्रोसेसिंग के माध्यम से बड़े पैमाने पर मेटा-विश्लेषण सक्षम होता है।

मूल लेखक: 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

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: 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

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

प्रोटीओमिक्स (उन सूक्ष्म प्रोटीनों का अध्ययन जो जीवन को संचालित करते हैं) की दुनिया की कल्पना एक विशाल, अराजक पुस्तकालय के रूप में करें। वर्षों से, वैज्ञानिक "DIA-NN" नामक एक विशिष्ट, उच्च-तकनीकी स्कैनर का उपयोग करके हजारों किताबें (डेटा फाइलें) अलमारियों पर डाल रहे हैं। लेकिन समस्या यह है कि हर बार जब किसी ने एक किताब जोड़ी, तो उन्होंने थोड़ा अलग स्कैनर सेटिंग, एक अलग सूचीकरण प्रणाली का उपयोग किया, और अक्सर यह लिखना भी भूल गए कि वे क्या खोज रहे थे। यदि आप आज इस पुस्तकालय में एक विशिष्ट कहानी खोजना चाहते, तो आपको हर एक किताब को शुरू से, एक-एक करके, एक धीमे, पुराने डेस्कटॉप कंप्यूटर पर फिर से पढ़ना पड़ता। यह ओवन मिट्स (दस्ताने) पहनकर घास के ढेर में सुई खोजने जैसा है।

यहाँ quantmsdiann आता है, जो इस अव्यवस्था को ठीक करने के लिए डिज़ाइन किया गया एक नया, सुपर-पावर्ड रोबोट लाइब्रेरियन है।

मुख्य खोज: गति और समझ
लेखकों ने इस रोबोट को केवल एक अकेली मशीन के बजाय सैकड़ों कंप्यूटरों के एक "क्लाउड" पर चलने के लिए बनाया है। इसे ऐसे समझें जैसे एक व्यक्ति द्वारा मेल के ढेर को छाँटने के बजाय 300 लोगों को मेल छाँटने के लिए काम पर रखना। यह रोबोट केवल मेल पढ़ता ही नहीं है; यह "SDRF" (एक मानकीकृत निर्देश पत्र जो इसे बताता है कि प्रत्येक प्रयोग कैसे सेट किया गया था) को समझता भी है।

परिणाम? 2,300 सिंगल-सेल प्रोटीन फाइलों (जो एक छोटे शहर की किताबों को फिर से पढ़ने के समान है) के विशाल ढेर वाले परीक्षण में, पुराने तरीके में बहुत समय लगता। लेकिन यह नया रोबोट, 300 कंप्यूटरों पर चलते हुए, पूरे काम को मात्र 2.2 घंटों में पूरा करने में सफल रहा। 10 कंप्यूटरों की छोटी टीम के साथ भी, इसने 37.4 घंटे में काम पूरा कर लिया। पेपर दिखाता है कि जैसे-जैसे आप अधिक कंप्यूटर जोड़ते हैं, समय लगभग सटीक रूप से आधा हो जाता है, जब तक कि आप उस बिंदु तक नहीं पहुँच जाते जहाँ "सीरियल" चरण (जैसे कि लाइब्रेरियन को पन्नों को चिपकाने की आवश्यकता होती है) बाधा बन जाता है, लेकिन स्पीडअप (गति में वृद्धि) फिर भी अविश्वसनीय है।

यह क्या नहीं है (नियम)
पेपर स्पष्ट रूप से बताता है कि यह टूल क्या नहीं है। यह कोई जादुई छड़ी नहीं है जो डेटा को बदल देती है। लेखकों ने स्पष्ट रूप से परीक्षण किया कि क्या एक कंप्यूटर पर काम चलाने की तुलना में 300 कंप्यूटरों पर काम चलाने से परिणामों की सटीकता में कोई बदलाव आया। उन्होंने पाया कि परिणामों की सटीकता में कोई अंतर नहीं था। रोबोट ने नए तथ्य नहीं बनाए; इसने बस मौजूदा तथ्यों को बहुत तेज़ी से खोज निकाला।

साथ ही, पेपर इस विचार के खिलाफ तर्क देता है कि आपको काम शुरू करने से पहले हर एक फ़ाइल को एक सामान्य प्रारूप (जैसे .raw फ़ाइल को .mzML फ़ाइल में बदलना) में परिवर्तित करने की आवश्यकता है। पुराना तरीका इस रूपांतरण के लिए मजबूर करता था। नया रोबोट अधिक स्मार्ट है: यह विभिन्न मशीन निर्माताओं (जैसे Thermo, Bruker, और Sciex) के मूल "नेटिव" प्रारूपों को सीधे पढ़ सकता है, और केवल तभी रूपांतरित करता है जब अत्यंत आवश्यक हो। यह बहुत सारा समय और प्रयास बचाता है।

"अपग्रेड" का सरप्राइज
यहाँ सबसे रोमांचक हिस्सा है। लेखकों ने न केवल गति बढ़ाई; उन्होंने रोबोट के "मस्तिष्क" को अपग्रेड भी किया। उन्होंने पुराने DIA-NN सॉफ़्टवेयर और फिर नए संस्करणों का उपयोग करके इस रोबोट का परीक्षण किया। उन्होंने पाया कि केवल सॉफ़्टवेयर संस्करण को अपडेट करने से (1.8.1 से नवीनतम 2.5.1 तक) रोबोट अधिक प्रोटीन "देख" सका।

सिंगल-सेल प्रयोगों में, नए सॉफ़्टवेयर ने पुराने संस्करण की तुलना में 17% अधिक प्रोटीन समूहों को खोजा। लेकिन असली जादू तब हुआ जब उन्होंने लाइब्रेरी के पुराने, सार्वजनिक डेटा का पुन: विश्लेषण किया। जब उन्होंने नए रोबट को उस डेटा पर चलाया जिसे मूल रूप से पुराने सॉफ़्टवेयर (या गैर-DIA-NN टूल्स) के साथ प्रोसेस किया गया था, तो उन्होंने मूल रूप से प्रकाशित की गई तुलना में 59% अधिक प्रोटीन समूहों को पुनः प्राप्त किया। यह एक ऐसी किताब का छिपा हुआ अध्याय खोजने जैसा है जिसे आप पहले ही पढ़ चुके थे। पेपर नोट करता है कि यदि मूल डेटा को हाल के DIA-NN संस्करण के साथ प्रोसेस किया गया था, तो लाभ कम था, लेकिन यदि वह पुराना था, तो लाभ बहुत बड़ा था।

यह कैसे काम करता है (रूपक)
इस वर्कफ़्लो की कल्पना एक सबवे सिस्टम के रूप में करें:

स्टेशन (इनपुट): रोबोट निर्देशों की एक सूची (SDRF) और रॉ फाइलों का ढेर लेता है।
समानांतर ट्रैक (लाल): सैकड़ों छोटे ट्रेन (कंप्यूटर) एक साथ बाहर निकलते हैं। प्रत्येक ट्रेन एक फ़ाइल लेती है, उसे साफ करती है, और एक त्वरित स्कैन करती है। यह समानांतर (parallel) में होता है, इसलिए 300 फ़ाइलें एक साथ स्कैन की जाती हैं।
जंक्शन (सीरियल/हरा): ट्रेनें एक केंद्रीय केंद्र पर वापस आती हैं। यहाँ, रोबोट सभी छोटे स्कैन्स को एक विशाल "एम्पिरिकल लाइब्रेरी" (क्या पाया गया उसका एक मास्टर मैप) में जोड़ता है। यह चरण एक के बाद एक होना चाहिए, जैसे कि एक सिंगल ट्रैक।
अंतिम स्टॉप: रोबोट एक साफ, व्यवस्थित रिपोर्ट (QPX और MSstats प्रारूप में) प्रिंट करता है जिसे कोई भी उपयोग कर सकता है, साथ ही एक गुणवत्ता नियंत्रण चेकलिस्ट (pmultiqc) भी देता है ताकि यह सुनिश्चित हो सके कि कुछ गलत नहीं हुआ है।

निष्कर्ष
पेपर साबित करता है कि यह नया टूल वास्तविक दुनिया के लिए तैयार है। इसका परीक्षण छोटे सिंगल-सेल नमूनों से लेकर विशाल बल्क सेल लाइन्स और यहाँ तक कि स्थानिक प्रोटिओमिक्स (ऊतकों में प्रोटीन का मानचित्रण) तक सब पर किया गया है। यह विभिन्न प्रकार के कंप्यूटर क्लस्टर्स (HPC) पर काम करता है और डेटा को खराब नहीं करता है।

लेखक सुझाव देते हैं कि यह टूल "स्केलेबल, रिप्रोड्यूसिबल री-एनालिसिस" की ओर एक कदम है। वे यह दावा नहीं कर रहे हैं कि यह जीव विज्ञान की हर समस्या को हल करता है, लेकिन उन्होंने दिखाया है कि इस रोबोट का उपयोग करके, वैज्ञानिक सार्वजनिक डेटा के विशाल अभिलेखागारों को खोद सकते हैं और काफी अधिक जानकारी खोज सकते हैं, वह भी परिणामों की सटीकता बनाए रखते हुए और प्रक्रिया को तेज़ रखते हुए। यह एक धीमी, मैनुअल खजाने की खोज को एक हाई-स्पीड, ऑटोमेटेड उत्खनन (excavation) में बदल देता है।

तकनीकी सारांश: quantmsdiann

समस्या विवरण
सार्वजनिक प्रोटिओमिक्स आर्काइव्स में हजारों डेटा-स्वतंत्र अधिग्रहण (DIA) डेटासेट मौजूद हैं, फिर भी असंगत सॉफ्टवेयर कॉन्फ़िगरेशन और मानकीकृत मेटाडेटा की कमी के कारण उनका पुन: उपयोग करना कठिन है। जबकि DIA-NN डेटा के विश्लेषण के लिए एक अग्रणी इंजन है, इसके डेस्कटॉप एप्लिकेशन के रूप में व्यापक उपयोग ने बड़े कोहोर्ट्स (सैकड़ों से हजारों रन) के पुन: प्रसंस्करण (reprocessing) की मापनीयता (scalability) को सीमित कर दिया है, जो मेटा-एनालिसिस या एटलस निर्माण के लिए आवश्यक है। मौजूदा वर्कफ़्लो, जैसे कि लेखकों का पिछला quantms पाइपलाइन, निश्चित पैरामीटर सेट, हार्ड-कोडेड संस्करणों और अनिवार्य कच्चा-से-mzML रूपांतरण द्वारा बाधित थे, जिससे नए DIA-NN फीचर्स के अनुकूलन और पुन: विश्लेषण को कठिन बना दिया गया था। इसके अलावा, DIA-NN के विषम चरणों—जैसे हल्के प्रति-फ़ाइल पास से लेकर मेमोरी-गहन कोहोर्ट-स्तरीय समेकन तक—के लिए एक ऐसे वर्कफ़्लो की आवश्यकता है जो क्लाउड और हाई-परफॉर्मेंस कंप्यूटिंग (HPC) संसाधनों के बीच कार्यों को गतिशील रूप से वितरित कर सके।

कार्यप्रणाली
लेखक quantmsdiann प्रस्तुत करते हैं, जो एक ओपन-सोर्स, SDRF-संचालित (सैंपल एंड डेटा रिलेशनशिप फॉर्मेट) Nextflow/nf-core वर्कफ़्लो है जिसे विशेष रूप से DIA-NN के लिए डिज़ाइन किया गया है। मुख्य कार्यप्रणाली संबंधी विशेषताएं शामिल हैं:

SDRF-प्रथम डिज़ाइन: यह वर्कफ़्लो SDRF को प्राथमिक इनपुट के रूप में स्वीकार करता है, जिसे DIA-विशिष्ट कॉलम (MS1/MS2 स्कैन रेंज, plexDIA चैनल परिभाषाएं) के साथ विस्तारित किया गया है। यह विभिन्न अधिग्रहण योजनाओं वाले स्वतंत्र डेटासेट को बिना किसी मैनुअल पैरामीटर सामंजस्य के एक ही इनवोकेशन में संसाधित करने की अनुमति देता है।
नेटिव फ़ाइल हैंडलिंग: पिछले पूर्ववर्तियों के विपरीत, जिन्हें अग्रिम रूपांतरण की आवश्यकता थी, quantmsdiann सीधे नेटिव वेंडर फॉर्मेट (Thermo .raw, Bruker .d, Sciex .wiff) को पढ़ता है। विशिष्ट DIA-NN संस्करणों या प्रारूपों के लिए रूपांतरण केवल तभी होता है जब आवश्यक हो, जिसमें ThermoRawFileParser और wiffconverter जैसे टूल्स का लाभ उठाया जाता है।
संस्करण तटस्थता और कंटेनरीकरण: यह वर्कफ़्लो DIA-NN संस्करण 1.8.1 से 2.5.1 (एंटरप्राइज बिल्ड्स सहित) का समर्थन करता है। यह प्रत्येक संस्करण के लिए पिन किए गए कंटेनर प्रोफाइल (Docker/Singularity) का उपयोग करता है, जो रनटाइम पर उपयुक्त इमेज को स्वचालित रूप से चुनता है।
समानांतर निष्पादन रणनीति: पाइपलाइन DIA-NN के वितरित मल्टी-पास फ्लो को दर्शाती है:
1. समानांतर प्रति-फ़ाइल चरण: रॉ फ़ाइल की तैयारी, प्रारंभिक अंशांकन (calibration), और व्यक्तिगत खोज (searches) को नोड्स के बीच वितरित किया जाता है।
2. क्रमिक कोहोर्ट चरण: इन-सिलिको लाइब्रेरी जनरेशन (यदि लाइब्रेरी-मुक्त है), एम्पिरिकल लाइब्रेरी असेंबली, अंतिम मात्रा निर्धारण (quantification), और MSstats रूपांतरण केंद्रीय रूप से किए जाते हैं।
आउटपुट मानकीकरण: वर्कफ़्लो हार्मोनइज्ड क्वांटिफिकेशन टेबल्स को MSstats फॉर्मेट में, एक मानकीकृत क्वांटिटेटिव प्रोटिओमिक्स एक्सचेंज (QPX) Parquet आर्काइव (पहचान, मेटाडेटा और प्रोवेनेंस सहित), और एक pmultiqc गुणवत्ता नियंत्रण रिपोर्ट के रूप में निर्यात करता है।

प्रमुख परिणाम
लेखकों ने स्केलेबिलिटी बेंचमार्क, विश्लेषणात्मक समानता परीक्षणों और सार्वजनिक डेटासेट के पुन: विश्लेषण के माध्यम से quantmsdiann का मूल्यांकन किया:

स्केलेबिलिटी: 2,300-रन सिंगल-सेल डेटासेट (PXD071075) पर, वर्कफ़्लो ने 10 नोड्स पर 37.4 घंटों के वॉल-क्लॉक समय को 300 नोड्स पर 2.2 घंटों तक कम कर दिया। स्केलिंग ~100 नोड्स तक लगभग आदर्श ( $1/N$ ) रही, लेकिन निश्चित सीरियल स्टेप्स और I/O बाधाओं के कारण 200 नोड्स के पास एक व्यावहारिक पठार (plateau) देखा गया।
थ्रूपुट: सैकड़ों से लेकर लगभग 6,000 रन (जैसे, 5,798-रन ProCan कोहोर्ट) तक के डेटासेट में, पूर्ण होने का समय घंटों के भीतर रहा, जिससे पता चलता है कि रनटाइम प्रति-रन सर्च लागत द्वारा नियंत्रित होता है न कि कुल फ़ाइल संख्या द्वारा।
विश्लेषणात्मक समानता: ProteoBench कम्युनिटी सबमिशन के विरुद्ध बेंचमार्क ने पुष्टि की कि वितरित quantmsdiann रन, सिंगल-मशीन DIA-NN रन के समान मात्रात्मक सटीकता (log₂ fold-changes) को पुनरुत्पादित करते हैं।
पहचान लाभ (Identification Gains): DIA-NN को संस्करण 1.8.1 से वर्तमान 2.5.1 रिलीज़ में अपग्रेड करने से सभी मोडैलिटीज (सिंगल-सेल, बल्क, timsTOF, Orbitrap) में प्रोटीन-ग्रुप पहचान में 10-12% की वृद्धि हुई।
पुन: विश्लेषण प्रभाव: quantmsdiann और नवीनतम DIA-NN संस्करण के साथ सार्वजनिक DIA डेटासेट का पुन: विश्लेषण करने पर लगातार मूल रूप से जमा की गई पहचान गणनाओं से अधिक परिणाम मिले। पहचान में लाभ (Gains) 59% तक अधिक प्रोटीन ग्रुप्स तक पहुँच गया, विशेष रूप से उन डेटासेट्स के लिए जिन्हें पुराने इंजनों या नॉन-DIA-NN टूल्स के साथ प्रोसेस किया गया था।

महत्व और दावे
यह पेपर quantmsdiann को बढ़ते DIA डेटा आर्काइव के स्केलेबल और पुनरुत्पादनीय पुन: विश्लेषण की दिशा में एक मौलिक कदम के रूप में स्थापित करता है। nf-core की पुनरुत्पादकता को वर्तमान DIA-NN रिलीज़ की संवेदनशीलता के साथ जोड़कर, यह वर्कफ़्लो सक्षम बनाता है:

पुनरावृत्ति योग्य पुन: विश्लेषण (Iterative Reanalysis): यह बड़े कोहोर्ट्स को तेजी से पुन: संसाधित करना संभव बनाता है, बजाय इसके कि पुन: विश्लेषण को एक बार के प्रयास के रूप में माना जाए।
मेटा-एनालिसिस और एटलस निर्माण: डेटा को विभिन्न कोहोर्ट्स के बीच एकीकृत करने और बड़े पैमाने पर DIA एटलस बनाने के लिए एक मानकीकृत, उच्च-थ्रूपुट इंजन प्रदान करना।
डेटा मूल्य को अधिकतम करना: यह प्रदर्शित करना कि मौजूदा जमा (deposits) से अपडेटेड इंजनों के साथ पुन: प्रसंस्करण करने पर मापने योग्य अधिक जैविक जानकारी (पहचान) प्राप्त होती है।

लेखक इस बात पर जोर देते हैं कि यह वर्कफ़्लो किसी विशिष्ट इंफ्रास्ट्रक्चर से बंधा नहीं है, इसे EMBL-EBI के HPC क्लस्टर और स्वतंत्र SLURM क्लस्टर्स दोनों पर मान्य किया गया है, और यह बड़े पैमाने पर DIA मेटा-एनालिसिस को सुगम बनाने के लिए एक कम्युनिटी रिसोर्स के रूप में उपलब्ध है।

इसी तरह के और पेपर