onsite: An Integrated Framework for Phosphosite Localization and False Localization Rate Estimation

기술 요약: "onsite: 인산화 부위 국소화 및 위양성 국소화율 추정을 위한 통합 프레임워크"

문제 정의
질량 분석 기반 인산화 단백질체학(phosphoproteomics)의 급격한 확장은 방대한 데이터셋을 생성했으나, 인산화 부위의 정확한 국소화(localization)와 이러한 국소화에 대한 표준화된 통계적 검증은 여전히 중요한 병목 현상으로 남아 있다. 표준 펩타이드 데이터베이스 검색은 스펙트럼을 서열에 매칭할 수는 있지만, 특히 여러 후보 잔기(세린, 트로닌, 티로신)를 가진 펩타이드에 대해 전용된 국소화 평가 기능이 부족한 경우가 많다. 기존 알고리즘(예: AScore, PhosphoRS, LuciPHOr)은 서로 다른 스코어링 모델을 사용하며, 데이터셋 수준에서 위양성 국소화율(False Localization Rate, FLR)을 추정하기 위한 보편적으로 비교 가능한 지표가 결여되어 있다. 또한, 이러한 다양한 알고리즘을 확장 가능하고 재현 가능한 생물정보학 워크플로우로 통합하는 과정은 파편화되어 있다.

방법론
저자들은 인산화 부위 국소화와 FLR 추정을 통합하기 위해 PyOpenMS를 기반으로 구축된 오픈 소스 Python 프레임워크인 onsite를 소개한다. 핵심 방법론은 **phospho-Alanine (pAla) 타겟-데코이 전략(TDA)**에 의존한다. 이 접근 방식에서는 알라닌 잔기가 인산화에 대해 화학적으로 불가능한 데코이(decoy) 부위 역할을 수행함으로써, 특정 알고리즘 스코어링 모델에 독립적으로 국소화 오류율을 직접 추정할 수 있게 한다.

본 프레임워크는 세 가지 기성 국소화 알고리즘을 통합한다:

1. AScore: 부위 결정 파편 이온(site-determining fragment ions)을 기반으로 이항 확률 모델을 사용한다.
2. PhosphoRS: 사후 확률(posterior probabilities)을 출력하기 위해 확률적 프레임워크를 채택한다.
3. pyLucXor: 엄격한 델타 스코어 분포 모델을 활용하는 LuciPHOr2의 Python 재구현 버전이다.

onsite는 개방형 형식(mzML, mzIdentML, idXML, idparquet)을 수용하고 다음 단계를 수행하는 모듈형 파이프라인을 구현한다:

• 데이터 처리: 계산 집약적인 작업을 병렬화하고 여러 파일에 걸쳐 타겟 및 데코이 관측치를 집계한다.
• FLR 계산: 모호하지 않은 펩타이드를 제외하여 전역 FLR의 인위적인 과소 추정을 방지하며, 아미노산 배경 빈도를 고려하여 교정된 타겟 대비 데코이 부위의 누적 분포를 바탕으로 FLR을 계산한다.
• 워크플로우 통합: 이 도구는 독립적인 모듈 또는 quantms Nextflow 기반 워크플로우의 구성 요소로 작동하도록 설계되었으며, 로컬, HPC 및 클라우드 환경 전반의 재현성을 위해 BioContainers를 통한 배포를 지원한다.

주요 결과
프레임워크는 합성 인산화 펩타이드 라이브러리 데이터셋인 PXD000138과 HCT116 결장암 세포 유래의 대규모 고분획 데이터셋(PXD012255)을 사용하여 벤치마킹되었다.

• 벤치마킹 (PXD000138):

  • 5% 전역 FLR 임계값에서 pyLucXor가 가장 많은 타겟 부위(28,353개)를 식별하였고, AScore(26,497개), PhosphoRS(25,242개)가 그 뒤를 이었다.
  • 실제 정답(ground truth) 대비 정확도 측면에서 PhosphoRS와 AScore가 가장 높은 국소화 정확도(각각 93.46% 및 93.02%)를 달aged했으며, pyLucXor는 91.22%를 기록했다.
  • pyLucXor는 가장 많은 수의 정확하게 국소화된 부위(25,865개)를 회복하여, 민감도와 정확도 사이의 유리한 균형을 보여주었다.
  • 교정 분석 결과, pyLucXor는 추정된 FLR과 관찰된(실제) FLR 사이에서 가장 밀접한 전체적 일치를 보였으며, PhosphoRS는 보수적인 추정치를 생성했고, 베이스라인 검색 엔진은 낮은 FLR에서 오류를 과소 추정했다.
  • 계산 처리량은 AScore가 가장 빨랐던 반면(227.17 PSMs/s), pyLucXor는 가장 느렸다(66.36 PSMs/s). 다만, pyLucXor는 LuciPHOr2의 기존 Java 구현보다 우수한 성능을 보였다.

• 확장성 (PXD012255):

  • 대규모 데이터셋의 재분석을 통해 onsite가 40개의 런(run)에 걸친 고분획 데이터를 성공적으로 처리할 수 있음을 입증했다.
  • 1% 전역 FLR에서 알고리즘들은 상당한 합의(공통 부위 4,421개)를 보였으나, 동시에 유의미한 방법론별 국소화 차이도 나타났다. 특히 pyLucXor는 3,742개의 부위를 독자적으로 식별했다. 이는 여러 알고리즘을 결합하는 것이 단일 방법론이 달성하는 것보다 인산화 부위 커버리지를 높일 수 있음을 시사한다.

의의 및 주장
본 논문은 onsite가 인산화 단백질체학의 알고리즘 간 비교 가능성 결여 문제를 해결하는 표준화된 오픈 소스 프레임워크를 제공한다고 주장한다. 이 프레임워크는 입력과 출력을 조화시키고 통합된 pAla 데코이 전략을 적용함으로써 다음을 가능하게 한다:

1. 경험적이고 일관된 FLR 제어: 특정 국소화 알고리즘에 관계없이 여러 LC–MS/MS 파일에 걸친 전역 위양성 국소화율을 추정하고 제어할 수 있게 한다.
2. 확장 가능하고 재현 가능한 워크플로우: quantms와의 통합 및 BioContainers를 통한 컨테이너화를 통해, 다양한 컴퓨팅 환경에서 대규모 데이터셋의 확장 가능한 재분석을 지원한다.
3. 보완적 통찰: 서로 다른 알고리즘 간의 비교를 용이하게 하여, 산출량(yield)과 정확도 사이에 상충 관계가 존재함에도 불구하고 여러 방법(예: AScore, PhosphoRS, pyLucXor)을 결합함으로써 인산화 부위 커버리지를 극대화할 수 있음을 밝혀낸다.

저자들은 onsite가 새로운 국소화 모델이 아니라, 알고리즘별 스코어를 보편적으로 비교 가능한 오류 추정치로 변환하기 위한 필수적인 인프라로서, 대규모 인산화 단백질체 연구의 엄밀성을 높이는 역할을 한다고 규정한다. 향후 연구 과제로 계산 효율성 개선 및 다른 번역 후 변형(PTM)으로의 프레임워크 확장이 언급되었다.