Scoring the downstream chain of small-n label-free proteomics against known ratios: search engine, match-between-runs, imputation, differential testing and enrichment background on a public three-species benchmark

हमारे कोशिकाओं के भीतर सूक्ष्म दुनिया में, हजारों प्रोटीन जीवन को चालू रखने के लिए मिलकर काम करते हैं। यह समझने के लिए कि जब कोई व्यक्ति बीमार होता है या जब कोई उपचार काम करता है तो ये प्रोटीन कैसे बदलते हैं, वैज्ञानिक 'लेबल-फ्री प्रोटिओमिक्स' नामक एक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि आप लोगों की भीड़ का वजन करने की कोशिश कर रहे हैं और इसके लिए आप उनकी एक तस्वीर लेते हैं; कैमरा सभी को कैप्चर करता है, लेकिन यह जानने के लिए कि प्रत्येक व्यक्ति का वजन कितना है, आपको उनकी छवि की चमक (ब्राइटनेस) को मापना होगा। इस वैज्ञानिक पद्धति में, प्रोटीन के सिग्नल की "चमक" शोधकर्ताओं को बताती है कि उसमें कितनी मात्रा मौजूद है। दो अलग-अलग स्थितियों के बीच इन सिग्नलों की तुलना करके—जैसे स्वस्थ ऊतक बनाम रोगग्रस्त ऊतक—वैज्ञानिक देख सकते हैं कि कौन से प्रोटीन बढ़े हैं या कम हुए हैं। हालाँकि, सटीक गिनती प्राप्त करना कठिन है। इस प्रक्रिया में प्रोटीन की पहचान करने के लिए जटिल कंप्यूटर प्रोग्राम शामिल हैं, और फिर डेटा को संभालने, नमूनों की तुलना करने और यह तय करने के बारे में निर्णयों की एक लंबी श्रृंखला शामिल है कि क्या वास्तविक परिवर्तन को यादृच्छिक उतार-चढ़ाव माना जाए। यदि बाद के चरणों को खराब तरीके से संभाला जाता है, तो महत्वपूर्ण प्रोटीनों की अंतिम सूची त्रुटियों से भरी हो सकती है, जिससे शोधकर्ता गलत रास्ते पर जा सकते हैं।

हाल ही में एक शोधकर्ता ने एक सार्वजनिक डेटा सेट लिया, जहाँ वास्तविक उत्तर पहले से ही ज्ञात थे, ताकि यह परीक्षण किया जा सके कि ये विभिन्न विकल्प अंतिम परिणाम को कैसे प्रभावित करते हैं। यह डेटा एक चतुर प्रयोग से आया था जहाँ वैज्ञानिकों ने तीन अलग-अलग प्रजातियों के प्रोटीन मिलाए थे: मानव, यीस्ट (yeast), और एक सामान्य आंत बैक्टीरिया जिसे E. coli कहा जाता है। उन्होंने दो मिश्रण बनाए जिनकी अनुपात ज्ञात थी। पहले मिश्रण में, मानव प्रोटीन 65 प्रतिशत, यीस्ट 30 प्रतिशत और बैक्टीरिया 5 प्रतिशत थे। दूसरे मिश्रण में, उन्होंने मानव प्रोटीन को समान रखा लेकिन यीस्ट को आधा कर दिया और बैक्टीरिया को चार गुना बढ़ा दिया। क्योंकि शुरुआती मात्रा ज्ञात थी, शोधकर्ताओं को पता था कि कंप्यूटर को क्या खोजना चाहिए: मानव प्रोटीन में कोई बदलाव नहीं होना चाहिए, यीस्ट आधा दिखना चाहिए, और बैक्टीरिया चार गुना अधिक दिखना चाहिए। यह सेटअप एक आदर्श परीक्षण क्षेत्र के रूप में कार्य करता था, एक नियंत्रित वातावरण जहाँ सही उत्तर सितारों में लिखा हुआ था, बस यह देखने की प्रतीक्षा में कि क्या उपकरण पर्याप्त तेज हैं।

शोधकर्ता ने इस डेटा को आज के क्षेत्र में उपयोग किए जाने वाले तीन सबसे लोकप्रिय सॉफ्टवेयर टूल्स में से एक के माध्यम से चलाया: MaxQuant, FragPipe, और DIA-NN। ये प्रोग्राम उच्च-स्तरीय कैमरों के विभिन्न ब्रांडों की तरह हैं; वे सभी कच्चे चित्रों को लेते हैं और प्रोटीनों की एक स्पष्ट छवि बनाने का प्रयास करते हैं। अध्ययन में पाया गया कि जबकि तीनों टूल प्रोटीन खोजने में आम तौर पर अच्छे थे, लेकिन वे परिवर्तनों को मापने की सटीकता में भिन्न थे। मानव प्रोटीन को देखते हुए, जो बिल्कुल नहीं बदलने चाहिए थे, MaxQuant नामक एक टूल ने एक छोटा, निरंतर बदलाव दिखाया, जिससे अपरिवर्तित प्रोटीन वास्तव में जो थे उससे थोड़े अलग दिखने लगे। एक अन्य टूल, FragPipe, इन अपरिवर्तित प्रोटीनों के साथ बहुत सटीक था, जबकि तीसरा टूल, DIA-NN, भी बहुत सटीक था लेकिन इसने डेटा को कैप्चर करने के लिए एक अलग प्रकार की मशीन का उपयोग किया था। सबसे उल्लेखनीय निष्कर्ष यह नहीं था कि कौन सा सॉफ्टवेयर सबसे अच्छा था, बल्कि यह था कि सॉफ्टवेयर अपना काम पूरा करने के बाद लिए गए सरल निर्णयों से अंतिम परिणाम कितना बर्बाद हो सकता है।

सॉफ्टवेयर द्वारा प्रोटीन की पहचान करने के बाद, शोधकर्ता ने उन सामान्य चरणों का परीक्षण किया जो वैज्ञानिक डेटा को साफ करने के लिए लेते हैं। एक ऐसा चरण "मैच-बिटवीन-रन्स" (match-between-runs) है, जो एक सुविधा है जो कंप्यूटर को एक नमूने में किसी प्रोटीन के लिए गायब नंबरों को एक समान नमूने से मान उधार लेकर भरने की अनुमति देती है। अध्ययन ने दिखाया कि जबकि इस सुविधा ने अधिक प्रोटीन खोजने में मदद की, इसने अधिक शोर (noise) भी पेश किया, विशेष रूप से दुर्लभ बैक्टीरिया प्रोटीन के लिए जिन्हें पहचानना कठिन था। एक अन्य महत्वपूर्ण निर्णय यह था कि जो प्रोटीन डेटा से पूरी तरह से गायब थे उन्हें कैसे संभाला जाए। शोधकर्ता ने इन गायब मूल्यों का अनुमान लगाने के लिए कई तरीकों का परीक्षण किया। एक सामान्य विधि, जो मानती है कि गायब डेटा यादृच्छिक है, पूरी तरह से विफल रही जब डेटा इसलिए गायब था क्योंकि प्रोटीन बहुत कम मात्रा में था जिसे देखा नहीं जा सका। उस विशिष्ट मामले में, विधि ने अनुमान लगाया कि गायब मान औसत थे, जिससे बैक्टीरिया में वास्तव में हुई चार गुना वृद्धि प्रभावी रूप से मिट गई।

सबसे नाटकीय परिवर्तन इस बात से आए कि डेटा का परीक्षण सार्थकता (significance) के लिए कैसे किया गया। वैज्ञानिक अक्सर यह तय करने के लिए एक सांख्यिकीय परीक्षण का उपयोग करते हैं कि क्या कोई परिवर्तन वास्तविक है। अध्ययन में पाया गया कि यदि एक शोधकर्ता केवल कंप्यूटर से पूछता है कि कौन सा प्रोटीन अलग दिखता है, बिना यह आवश्यक किए कि उस अंतर का एक न्यूनतम आकार होना चाहिए, तो गलत सूचनाओं (false alarms) की संख्या विस्फोट कर देती है। एक सॉफ्टवेयर आउटपुट पर, एक मानक परीक्षण ने सौ से अधिक मानव प्रोटीनों को बदला हुआ चिह्नित किया, भले ही वे ज्ञात रूप से स्थिर थे। हालाँकि, जब शोधकर्ता ने एक सरल नियम जोड़ा जिसमें यह आवश्यक था कि किसी भी चीज़ को महत्वपूर्ण घोषित करने से पहले परिवर्तन का एक निश्चित आकार होना चाहिए, तो गलत सूचनाओं की संख्या सौ से अधिक से घटकर केवल कुछ रह गई। इस एकल निर्णय ने त्रुटि दर को तीस गुना से अधिक कम कर दिया। इसके विपरीत, डेटा को "नॉर्मलाइज़" (normalize) करने या संतुलित करने के लिए एक अतिरिक्त कदम जोड़ना, जो एक सामान्य अभ्यास है, दो सॉफ्टवेयर टूल्स के लिए वास्तव में स्थिति को बदतर बना देता है, जिससे हजारों नई गलत सूचनाएं पैदा हुईं जो पहले मौजूद नहीं थीं।

अध्ययन ने यह भी देखा कि वैज्ञानिक जैविक प्रक्रियाओं को समझने के लिए प्रोटीनों की इन सूचियों की व्याख्या कैसे करते हैं, जिसे 'एनरिचमेंट एनालिसिस' (enrichment analysis) कहा जाता है। जब शोधकर्ता अपनी सूची को एक डेटाबेस के विरुद्ध ले जाते हैं और पूछते हैं कि वे किन कार्यों में शामिल हैं, तो बैकग्राउंड (पृष्ठभूमि) का महत्व बहुत अधिक होता है। यदि वे अपनी सूची की तुलना सभी संभावित प्रोटीनों के संपूर्ण जीनोम के विरुद्ध करते हैं, तो कंप्यूटर सैकड़ों "महत्वपूर्ण" कार्य खोज लेता है, भले ही सूची प्रोटीनों का केवल एक यादृच्छिक संग्रह हो। लेकिन यदि वे अपनी सूची की तुलना केवल उन प्रोटीनों के विरुद्ध करते हैं जो वास्तव में प्रयोग में पाए गए थे, तो गलत सूचनाएं गायब हो जाती हैं। यह सुझाव देता है कि तुलना के लिए उपयोग किया जाने वाला बैकग्राउंड एक लेंस की तरह कार्य करता है; गलत लेंस से देखने पर यादृच्छिक शोर भी एक संकेत जैसा दिखने लगता है।

इस कार्य का अंतिम निष्कर्ष यह है कि सॉफ्टवेयर इंजन का चुनाव सॉफ्टवेयर चलने के बाद किए गए निर्णयों से कम महत्वपूर्ण है। एक एकल निर्णय, जैसे कि फोल्ड-चेंज थ्रेशोल्ड जोड़ना या अतिरिक्त नॉर्मलाइजेशन चरण से बचना, गलत खोजों की संख्या को बत्तीस गुना तक बदल सकता है। शोधकर्ता ने दूसरों के पालन के लिए एक चेकलिस्ट प्रदान की: यह तय करने के लिए सख्त नियम अपनाएं कि कौन सा डेटा रखना है, गायब मूल्यों का अनुमान लगाने से बचें जब तक कि आप यह न समझते हों कि वे क्यों गायब हैं, सांख्यिकीय परीक्षणों को न्यूनतम परिवर्तन आकार की आवश्यकता के साथ जोड़ें, और एनरिचमेंट विश्लेषण के लिए पहचाने गए प्रोटीनों को ही बैकग्राउंड के रूप में उपयोग करें। इन सरल सुरक्षा उपायों का पालन करके, वैज्ञानिक यह सुनिश्चित कर सकते हैं कि वे अपने डेटा के बारे में जो कहानियाँ सुनाते हैं वे उनके अपने तरीकों के आर्टिफैक्ट्स (artifacts) के बजाय वास्तविक जैविक परिवर्तनों पर आधारित हैं। अध्ययन ने यह दावा नहीं किया कि उसने क्षेत्र की हर समस्या को हल कर दिया है, लेकिन इसने स्पष्ट रूप से दिखाया कि ज्ञात उत्तरों के साथ, त्रुटि का मार्ग अक्सर नेक इरादे वाले लेकिन अनावश्यक कदमों से बना होता है।