Comprehensive top-down mass spectral repository enables pan-dataset analysis and top-down spectral prediction

Deze studie introduceert TopRepo, de eerste uitgebreide repository met meer dan 18 miljoen top-down massaspectra, die dient als cruciale bron voor pan-dataset analyses en het trainen van deep learning-modellen voor nauwkeurige proteoform-identificatie en spectrale voorspelling.

De kern

Stel je voor dat het menselijk lichaam een enorme bibliotheek is, maar dan niet met boeken, maar met eiwitten. Deze eiwitten zijn de werkers van je lichaam. In de wetenschap noemen we de verschillende versies van deze eiwitten "proteoformen". Net zoals een boek verschillende edities kan hebben (met een andere kaft, een ingekorte versie, of extra hoofdstukken), hebben eiwitten ook variaties.

Vroeger keken wetenschappers naar deze eiwitten alsof ze een hele auto in stukken sneden en de schroeven en bouten apart bestudeerden (dit heet "bottom-up"). Maar dat geeft je geen goed beeld van de hele auto. De nieuwe methode, "top-down", kijkt naar de hele auto in één keer. Dit is veel beter om te zien wat er precies mis is of hoe de auto is aangepast, maar het is ook veel moeilijker om de resultaten te interpreteren.

Hier is wat deze paper doet, vertaald naar een simpel verhaal:

1. Het bouwen van een enorme "Fotoalbum" (TopRepo)

Stel je voor dat je wilt leren hoe een auto eruitziet, maar je hebt maar één foto. Dat is lastig. Je hebt duizenden foto's nodig van verschillende auto's, in verschillende lichtomstandigheden, om echt te begrijpen hoe ze werken.

Tot nu toe hadden wetenschappers voor de "top-down" methode nauwelijks foto's. Ze hadden geen grote verzameling.
De oplossing: De auteurs hebben TopRepo gebouwd. Dit is een gigantisch digitaal archief met meer dan 18 miljoen spectra (dat zijn eigenlijk heel gedetailleerde "foto's" van eiwitten).

• Ze hebben data verzameld van 12 verschillende soorten (van mensen tot bacteriën).
• Ze hebben 8 verschillende soorten microscopen gebruikt om deze foto's te maken.
• Ze hebben deze data opgeschoond en georganiseerd, zodat er nu een "gouden standaard" bibliotheek is met meer dan 5 miljoen goed gelabelde foto's.

2. Wat hebben ze ontdekt in dit album?

Met dit enorme album konden ze dingen zien die ze voorheen niet konden:

• De "Koptekst" van het eiwit: Ze keken hoe het begin van de eiwitten wordt bewerkt. Het is alsof je ziet of een boek een nieuwe titel heeft gekregen of dat de eerste bladzijde is weggescheurd. Ze zagen precies welke regels het lichaam volgt om deze aanpassingen te maken.
• De "Korte versies": Ze zagen dat veel eiwitten in het lichaam niet volledig zijn, maar afgeknipt. Dit is belangrijk, want een afgeknipt eiwit werkt vaak heel anders dan een volledig eiwit.
• De "Vlekken" (Modificaties): Ze zagen kleine chemische veranderingen op de eiwitten, zoals roest of een sticker erop. Dit helpt om ziektes beter te begrijpen.

3. De Super-Scanner (Spectral Library Searching)

Stel je voor dat je een nieuwe, onbekende auto ziet en je wilt weten welk model het is.

• Vroeger: Je had een klein fotoboekje met maar 50 auto's. Als je auto er niet in stond, kon je hem niet identificeren.
• Nu met TopRepo: Je hebt een fotoboek met 5 miljoen auto's.
• Het resultaat: De wetenschappers toonden aan dat door dit grote boek te gebruiken, ze 41% meer eiwitten konden herkennen dan met een klein boekje. Het is alsof je opeens 40% meer mysteries kunt oplossen.

4. De AI die de toekomst voorspelt (TD-Pred)

Dit is misschien wel het coolste deel. Ze hebben een kunstmatige intelligentie (AI) getraind, genaamd TD-Pred.

• Hoe werkt het? Stel je voor dat je een kind leert om te tekenen. Je geeft het duizenden voorbeelden van hoe een auto eruitziet. Uiteindelijk kan het kind een nieuwe auto tekenen die het nog nooit heeft gezien, alleen op basis van de beschrijving.
• De AI: Deze AI heeft geleerd van de 18 miljoen foto's in TopRepo. Nu kan hij voorspellen hoe een eiwit eruit zou moeten zien, zelfs als we dat eiwit nog nooit hebben gemeten.
• Waarom is dit geweldig? Het bespaart tijd en geld. In plaats van elke keer een dure machine te gebruiken om een eiwit te scannen, kan de AI eerst een simulatie maken. Als de simulatie overeenkomt met de werkelijkheid, weten we dat we op het goede pad zitten.

Samenvatting

Kortom, deze paper is als het bouwen van de grootste bibliotheek ter wereld voor eiwitten.

1. Ze hebben duizenden boeken verzameld en geordend (TopRepo).
2. Ze hebben laten zien dat je met deze bibliotheek veel meer mysteries oplost dan met een klein boekje.
3. Ze hebben een slimme robot (TD-Pred) getraind die nu zelf nieuwe "boeken" kan schrijven (voorspellen) op basis van wat hij in de bibliotheek heeft geleerd.

Dit helpt artsen en onderzoekers om ziektes beter te begrijpen en nieuwe medicijnen te ontwikkelen, omdat ze eindelijk een duidelijk beeld hebben van de "hele auto" in plaats van alleen de losse schroeven.

Technische samenvatting

Probleemstelling

Massaspectrometrie (MS) is een cruciale techniek voor eiwitidentificatie. In de "bottom-up" MS (BU-MS) zijn uitgebreide spectrale bibliotheken (zoals ProteomeTools en NIST) al lang beschikbaar en essentieel voor het trainen van deep learning-modellen en voor de novo sequentiëring. Echter, in de "top-down" MS (TD-MS), waarbij intacte proteovormen (proteoforms) worden geanalyseerd zonder enzymatische digestie, ontbreekt het aan vergelijkbare, grootschalige bibliotheken. TD-MS biedt unieke voordelen voor het karakteriseren van complexe proteovormen en posttranslationele modificaties (PTM's), maar de beperkte beschikbaarheid van grote, gestandaardiseerde spectrale datasets belemmert de ontwikkeling van geavanceerde computationele methoden en deep learning-modellen voor deze domein. Bestaande databases zijn vaak te klein, niet gestandaardiseerd of ontbreken de nodige annotaties om betrouwbare PTM-localisatie en in silico spectrale voorspelling mogelijk te maken.

Methodologie

De auteurs introduceerden TopRepo, een uitgebreid repository voor top-down massaspectrometrie-data. De methodologische aanpak omvatte de volgende stappen:

1. Dataverzameling en Integratie:

   • Data werd verzameld uit 3.671 ruwe MS-bestanden, afkomstig van 33 publicaties.
   • Het dataset omvatte 12 soorten (waaronder mens, E. coli, muis, Blautia producta) en werd gegenereerd op 8 verschillende types massaspectrometers (voornamelijk Orbitrap en FT-ICR) met 4 dissociatiemethoden (zoals HCD en CID).
   • De data werd gestructureerd in 38 projecten en 111 subdatasets om consistentie te garanderen.

2. Data-Verwerking en Kwaliteitscontrole:

   • Een uniforme analyse-pijplijn werd toegepast: conversie naar mzML-formaat via msconvert, gevolgd door spectrale deconvolutie en proteovorm-detectie met TopFD.
   • Identificatie van proteovorm-spectrum-matches (PrSM's) vond plaats met TopPIC tegen een UniProt-database, met strikte controle op de False Discovery Rate (FDR) op zowel spectrum- als proteovorm-niveau.
   • Fragment-ionen werden geannoteerd op basis van de geïdentificeerde proteovormen.

3. Constructie van de Spectrale Bibliotheek:

   • Een niet-redundante, curateerde spectrale bibliotheek werd opgebouwd met meer dan 5,4 miljoen geannoteerde spectra.
   • Deze bibliotheek bevat annotaties voor proteovormen, fragment-ionen, en massaverschuivingen.

4. Ontwikkeling van TD-Pred (Deep Learning):

   • Een nieuw deep learning-model, TD-Pred, werd ontwikkeld voor het voorspellen van top-down spectra.
   • Architectuur: Het model combineert Convolutional Neural Networks (CNN's) voor het vastleggen van lokale sequentie-afhankelijkheden (met kernels van grootte 2 tot 9) en Transformer-layers (encoder-decoder) voor het verwerken van globale context en metadata (zoals ladingstoestand en instrumenttype).
   • Input: Proteovorm-sequenties (gecodeerd als one-hot encoding + residue-massa, positie en lengte) en experimentele metadata.
   • Output: Een "backbone representation" van het spectrum, weergegeven als een matrix van fragment-ion intensiteiten (b- en y-ionen) over verschillende ladingstoestanden.

Belangrijkste Bijdragen

• TopRepo: De eerste en grootste repository voor top-down MS-data, met in totaal 18,2 miljoen MS/MS spectra en een curateerde bibliotheek van 5,4 miljoen spectra.
• Pan-dataset Analyse: Het mogelijk maken van cross-dataset analyses van proteovorm-eigenschappen zoals N-terminale verwerking, massaverschuivingen en reproduceerbaarheid.
• TD-Pred Model: Een state-of-the-art deep learning-model dat hoge nauwkeurigheid bereikt bij het voorspellen van top-down spectra, wat essentieel is voor in silico bibliotheekgeneratie.
• Open Data: De beschikbaarstelling van de data via een dedicated website (toprepo.org) en open source code.

Resultaten

• Identificatie en Diversiteit:
  • Er werden 5,46 miljoen unieke proteovorm-spectrum-matches geïdentificeerd.
  • Na verwijdering van duplicaten op repository-niveau bleven 311.248 unieke proteovormen over, afkomstig van 19.318 eiwitten.
  • De gemiddelde identificatiegraad per project was 30%, maar varieerde sterk (van 16% tot 86%), afhankelijk van de complexiteit van het monster en het instrument.
• Proteovorm Karakteristieken:
  • Gemiddeld was de lengte van geïdentificeerde proteovormen 70,4 aminozuren.
  • Slechts 16,3% van de proteovormen was "compleet" (zonder truncatie); de meeste vertoonden N- of C-terminale truncaties, vaak veroorzaakt door endogene enzymatische digestie tijdens de sample-preparatie.
  • N-terminale methionine-excisie (NME) en N-terminale acetylering (NTA) werden succesvol gekarakteriseerd en correleerden met bekende enzym-substraat specificiteiten (zoals MAP1/2 en NatA).
• Reproduceerbaarheid:
  • Op eiwit-niveau was de reproduceerbaarheid tussen datasets redelijk hoog (39-72%), maar op proteovorm-niveau was deze aanzienlijk lager (vaak <17% tussen verschillende laboratoria), voornamelijk door verschillen in geïdentificeerde truncaties.
• Verbetering van Identificatie:
  • Het gebruik van de grote TopRepo-bibliotheek (HUMAN-HCD) voor spectrale zoekopdrachten resulteerde in een 41,5% toename in het aantal geïdentificeerde proteovormen vergeleken met een kleine, dataset-specifieke bibliotheek.
• Voorspellende Prestaties (TD-Pred):
  • Het model bereikte een gemiddelde cosine-相似iteit (cosine similarity) van 0,821 op de validatiedataset wanneer zowel CID- als HCD-data werden gebruikt.
  • De nauwkeurigheid nam af bij hogere ladingstoestanden en langere proteovormen (>80 residuen), wat wijst op de complexiteit van deze spectra en de beperkte hoeveelheid trainingsdata voor deze categorieën.
  • Het verwijderen van de voorspelling van fragment-ladingstoestanden (simplificatie van de output) verbeterde de nauwkeurigheid verder tot 0,867 voor CID-data.

Betekenis en Conclusie

TopRepo vormt een mijlpaal in het veld van de top-down proteomica. Door het bieden van een schaalbaar, gestandaardiseerd en rijk geannoteerd dataset, lost het het tekort aan trainingsdata voor deep learning-modellen op. De resultaten tonen aan dat:

1. Grote, diverse bibliotheken de gevoeligheid van proteovorm-identificatie aanzienlijk verbeteren.
2. Deep learning-modellen zoals TD-Pred effectief kunnen worden getraind om in silico spectra te genereren, wat de afhankelijkheid van experimentele bibliotheken kan verminderen.
3. Er nog uitdagingen zijn, zoals de reproduceerbaarheid van truncaties en de nauwkeurigheid bij hoge ladingstoestanden en lange eiwitten.

De auteurs benadrukken dat toekomstige verbeteringen in deconvolutie-algoritmen, uitbreiding naar andere instrumentplatforms (zoals TOF), en betere PTM-annotatie essentieel zullen zijn voor de verdere evolutie van TopRepo en de toepassing ervan in de biomedische research.