Improved quantitation in data-independent acquisition proteomics via retention time boundary imputation

Dit artikel introduceert Nettle, een open-source tool die de kwantificering in DIA-proteomica verbetert door ontbrekende pieken te imputeren op basis van retentietijdgrenzen in plaats van directe signaalwaarden, wat leidt tot nauwkeurigere resultaten en een lagere detectielimiet.

De kern

Titel: Hoe we "dode plekken" in eiwitmetingen opvullen met een slimme tijdsrekening

Stel je voor dat je een gigantische bibliotheek hebt vol met boeken (eiwitten) in een complex mengsel, zoals bloed of hersenweefsel. Je wilt weten hoeveel er van elk boek aanwezig is. Maar er is een probleem: sommige boeken staan in de catalogus, maar zijn op de plank niet te vinden. Of ze zijn zo klein en onopvallend dat de scanner ze over het hoofd ziet. In de wetenschap noemen we dit "ontbrekende waarden".

Tot nu toe hadden wetenschappers twee manieren om hiermee om te gaan, en beide waren niet ideaal:

1. De "weggooi-methode": Als een boek te vaak ontbrak, werd het gewoon uit de analyse gegooid. Het nadeel? Je gooit misschien juist de belangrijkste, zeldzame boeken weg.
2. De "gok-methode" (plug-in imputatie): Je vult de lege plekken op met een wiskundige gok. Je zegt: "Nou, omdat boek A en B vaak samen voorkomen, zal boek C hier ook wel een beetje zijn." Het probleem is dat deze gokken vaak nep-correlaties creëren en het echte signaal verwateren. Het is alsof je een leeg raam dichtplakt met een plaatje van een raam; het ziet eruit als een raam, maar er komt geen licht door.

De nieuwe oplossing: Netel (Nettle)

De auteurs van dit paper hebben een slimme nieuwe manier bedacht, genaamd Nettel. In plaats van te gokken over het aantal boeken, kijken ze naar het tijdstip waarop ze zouden moeten verschijnen.

De analogie van de trein:
Stel je voor dat elke peptide (een stukje eiwit) een trein is die op een spoorbaan (het chromatogram) rijdt.

• Normaal gesproken weet je precies wanneer de trein vertrekt (starttijd) en wanneer hij aankomt (eindtijd).
• Soms mist de trein echter, omdat de scanner hem niet heeft gezien.
• De oude methode: Zegt: "De trein is weg, dus we doen alsof hij er niet is, of we gokken dat hij er wel is."
• De Nettel-methode: Kijkt naar de andere treinen die op hetzelfde spoor rijden. Ze zeggen: "Weet je, trein X vertrekt altijd om 10:00 en komt om 10:05 aan. In deze specifieke rit mist de starttijd, maar omdat we weten dat hij op dit spoor rijdt, kunnen we de start- en eindtijd reconstrueren op basis van de andere treinen."

Zodra ze die tijdsraam (de "grenzen") hebben ingevuld, kijken ze niet naar een gok, maar naar het echte signaal dat op dat moment op het spoor staat. Misschien is de trein er wel, maar was hij heel stil (weinig eiwit). Dan meten ze die stilte. Dat is een echte meting, geen gok.

Waarom is dit geweldig?

1. Meer waarheid: Omdat ze naar het echte signaal kijken in de ingevulde tijdvensters, krijgen ze nauwkeurigere resultaten. Het is alsof je in plaats van een geschilderd raam, het echte raam opent en kijkt wat er buiten staat.
2. Zeldzame vondsten: Ze kunnen nu ook de "stille treinen" vinden. In eerdere methoden werden deze genegeerd omdat ze te vaak ontbraken. Met Nettel kunnen ze nu ook de zeer zeldzame eiwitten meten die belangrijk zijn voor ziektes zoals Alzheimer.
3. Betere voorspellingen: In een test met muizen die blootstelden aan straling, bleek dat Nettel veel beter kon voorspellen hoeveel straling ze hadden gekregen dan de oude methoden. Het was alsof Nettel de "rook" van de straling kon ruiken, terwijl de oude methoden er niets van merkten.
4. Het werkt zelfs als de klokken niet kloppen: Soms rijdt de trein in de ene rit 5 minuten later dan in de andere (door technische variaties). Nettel leert dit patroon en past de tijden daar automatisch op aan, zonder dat de mens handmatig hoeft te ingrijpen.

Conclusie

Kortom: Nettel is een slimme tool die de "dode plekken" in eiwitmetingen niet opvult met gissen, maar met slimme reconstructie van tijdsgegevens. Hierdoor zien wetenschappers scherper, vinden ze meer belangrijke signalen (zoals bij Alzheimer of stralingsblootstelling) en hoeven ze minder waardevolle data weg te gooien. Het is een stap voorwaarts om de complexe wereld van eiwitten beter te begrijpen, alsof je van een wazige foto ineens een haarscherpe foto krijgt.

Technische samenvatting

Probleemstelling

In proteomics met data-onafhankelijke acquisitie (DIA) is ontbrekende data (missingness) een groot obstakel voor nauwkeurige kwantificatie. Peptiden die wel in het monster aanwezig zijn, krijgen soms geen kwantitatieve waarde toegewezen vanwege slechte ionisatie, co-elutie of het onvermogen om peptiden met zekerheid aan spectra te koppelen.
Traditionele aanpakken om dit op te lossen hebben aanzienlijke nadelen:

1. Verwijdering: Het verwijderen van proteïnen met veel ontbrekende waarden (vaak >50%) beperkt de statistische power en verwijdert signalen van potentieel interessante, vaak laag-abundante proteïnen.
2. Plug-in imputatie: Het invullen van ontbrekende waarden met statistische methoden (zoals KNN, MissForest of lage-waarde imputatie) introduceert vaak valse correlaties, verduistert het biologische signaal door ruis en negeert de onzekerheid van de geschatte waarden.

Methodologie: Nettle

De auteurs stellen een alternatieve aanpak voor genaamd Nettle. In plaats van de kwantitatieve waarden zelf te imputeren, imputeren ze de retentietijd-grenzen (RT boundaries) van de peptiden.

Het proces verloopt als volgt:

1. RT-matrix generatie: Uit de DIA-data wordt een matrix gegenereerd waarin rijen corresponderen met transities en kolommen met de start- en eindretentietijd van peptiden per MS-run.
2. Imputatie van RT-grenzen: Voor ontbrekende start- en eindpunten worden waarden geschat door informatie te lenen van gerelateerde runs. Nettle gebruikt een ensemble van twee machine learning-methoden:
   • Gewogen K-Nearest Neighbors (wKNN): Zoekt vergelijkbare runs op basis van Euclidische afstand.
   • Soft-impute: Een algoritme voor lage-rang matrixcompletie dat ontbrekende waarden vervangt via een met kernnorm geregulariseerde SVD (Singular Value Decomposition).
3. Kwantificatie: De geïmputeerde RT-grenzen worden geïmporteerd in Skyline. Binnen deze geschatte vensters wordt de geëxtraheerde ionstroom (XIC) geïntegreerd om een echte, gemeten kwantitatieve waarde te verkrijgen.
4. Voordeel: Ontbrekende waarden worden vervangen door daadwerkelijk gemeten hoeveelheden (zelfs als deze laag zijn of dicht bij de achtergrond liggen), in plaats van willekeurige schattingen.

Belangrijkste Bijdragen

• Nettle-tool: Een open-source, standalone Python-tool die RT-boundary imputatie mogelijk maakt.
• Paradigmaverschuiving: De focus ligt op het herstellen van de integratiegrenzen in plaats van de resultaten, waardoor kwantificatie mogelijk blijft zelfs als er geen MS2-signaal aanwezig was voor identificatie.
• Integratie met bestaande workflows: De methode werkt naadloos samen met DIA-NN voor zoekopdrachten en Skyline voor kwantificatie.

Resultaten

De methode werd geëvalueerd op vier verschillende datasets:

1. Verbeterde Kwantitatieve Nauwkeurigheid (SMTG Dataset):

   • Bij een hold-out experiment (waarbij 20% van de data bewust verborgen werd) presteerde Nettle aanzienlijk beter dan traditionele plug-in methoden (KNN, MissForest, lage-waarde imputatie).
   • De Mean Squared Error (MSE) was lager voor Nettle (0.17 bij MNAR) vergeleken met MissForest (0.40) en KNN (0.61).

2. Matrix-Matched Calibration Curve (MMCC) Datasets:

   • Lineaire Dynamische Bereik: Nettle verlaagde de "Lower Limit of Quantitation" (LLOQ). Het kon peptiden kwantificeren bij extreme verdunningen (tot 1-3%) waar DIA-NN alleen faalde.
   • Differentially Abundant (DA) Peptiden: In de MMCC-experimenten (waar alle verdunningen in theorie verschillend zouden moeten zijn) identificeerde Nettle gemiddeld 10.105 extra DA-peptiden per conditie vergeleken met niet-geïmputeerde data.
   • Systeematische verschuivingen: Nettle corrigeerde automatisch voor systematische retentietijd-verschuivingen tussen replicaten zonder expliciete RT-alignement.

3. Alzheimer's Disease (AD) Analyse (SMTG Dataset):

   • Nettle slaagde erin om DA-peptiden te identificeren tussen AD-groepen (familieel AD, sporadisch AD, en "resilient" AD) die door traditionele methoden gemist werden.
   • Specifiek werden peptiden van biomerkers zoals COL25A1, MAPT, MDK en SMOC1 succesvol gekwantificeerd.
   • Cruciaal: Nettle behield de bekende biologische verschillen in Amyloid-β peptiden tussen groepen, terwijl KNN-imputatie deze signalen verwaterde en de statistische significantie verloor.

4. Biodosimetrie (Stralingsblootstelling):

   • In een experiment om stralingsdosis te voorspellen op basis van muizenhuid, verbeterde Nettle de voorspellende nauwkeurigheid aanzienlijk.
   • De Median Absolute Error (MAE) daalde van 13.69 (KNN) naar 10.02 (Nettle), en de correlatiecoëfficiënt steeg van 0.55 naar 0.76.

Significantie en Conclusie

Nettle biedt een robuuste oplossing voor het probleem van ontbrekende data in DIA-proteomics door de integratiegrenzen te herstellen in plaats van de waarden zelf te gissen. Dit leidt tot:

• Een uitgebreid lineair dynamisch bereik, waardoor laag-abundante proteïnen betrouwbaar kunnen worden gekwantificeerd.
• Hogere statistische power voor het detecteren van verschillen tussen experimentele groepen.
• Betere biomarker-discovery, vooral in complexe ziektebeelden zoals Alzheimer.
• Verbeterde regressiemodellen voor toepassingen zoals biodosimetrie.

De methode is schaalbaar, vereist geen gespecialiseerde hardware (in tegenstelling tot diepe leermodellen) en is beschikbaar als open-source software, wat het een waardevol instrument maakt voor de bredere proteomics-gemeenschap.