Scalable mass-spectrometry-based molecular phylogeny with TreeMS2

TreeMS2 is een schaalbaar, annotatie-onafhankelijk computergereedschap dat evolutionaire relaties afleidt uit ruwe massaspectrometrie-data, waardoor het mogelijk wordt om fenotypische bomen direct te vergelijken met genetische bomen om adaptaties en afwijkingen te identificeren.

De kern

Stel je voor dat je een enorme bibliotheek hebt vol met boeken, maar niemand kent de titels of de auteurs. Je kunt alleen de letters op de pagina's zien. Traditionele wetenschappers proberen de geschiedenis van organismen (zoals bacteriën of mensen) te reconstrueren door hun DNA te lezen. Dat is alsof je de blauwdrukken van een gebouw bekijkt om te weten hoe het eruit ziet en hoe het is gebouwd.

Maar wat als je in plaats daarvan naar de geur, de smaak en de textuur van het gebouw kijkt? Dat is wat dit nieuwe onderzoek doet. Ze kijken niet naar de blauwdruk (DNA), maar naar de feitelijke bouwstenen (eiwitten en chemicaliën) die op dat moment aanwezig zijn.

Hier is een uitleg van het artikel over TreeMS2, vertaald naar begrijpelijk Nederlands met een paar creatieve vergelijkingen.

1. Het probleem: De "Naamloze" Bibliotheek

Wetenschappers hebben enorme databases vol met meetgegevens van massaspectrometers (een apparaat dat moleculen weegt en in stukjes breekt). Het zijn miljarden "vingerafdrukken" van moleculen.

• Het oude probleem: Om deze vingerafdrukken te gebruiken, moesten ze eerst proberen te raden wat voor stof het was (bijvoorbeeld: "Ah, dit is eiwit X"). Dit is als proberen een boek te vinden in de bibliotheek door eerst de titel te raden. Als je de naam niet kent (en dat gebeurt vaak bij onbekende bacteriën of nieuwe chemicaliën), gooi je het boek weg.
• De beperking: Bestaande software was te traag. Het was alsof je twee boeken van 1000 pagina's letter voor letter moest vergelijken om te zien of ze op elkaar leken. Dat duurt eeuwen als je duizenden boeken hebt.

2. De oplossing: TreeMS2 (De "Snelle Geur-snuffelaar")

De onderzoekers hebben een nieuw programma gemaakt genaamd TreeMS2.

• De analogie: Stel je voor dat je twee mensen wilt vergelijken. In plaats van hun geboorteakte (DNA) te lezen, laat je ze beiden in een kamer met duizenden verschillende geuren staan. TreeMS2 kijkt niet naar welke geur het is, maar naar hoe de geurruimte eruit ziet.
• Hoe het werkt: Het programma neemt de ruwe meetdata (de "vingerafdrukken") en maakt er een simpele kaart van. Vervolgens gebruikt het slimme wiskundige trucs (zoals het zoeken naar de "naaste buren" in een heel grote menigte) om te zien welke monsters op elkaar lijken.
• Het grote voordeel: Het hoeft geen namen te kennen. Het maakt niet uit of je niet weet wat een stof heet; als de "geur" (het spectrum) hetzelfde is als die van een andere monster, dan zijn ze familie.

3. Wat hebben ze ontdekt? (De resultaten)

Het team heeft TreeMS2 getest op drie heel verschillende gebieden:

A. De Bacteriële Stamboom (De "Stamboom zonder DNA")
Ze keken naar 303 soorten bacteriën.

• Het resultaat: De boom die TreeMS2 tekende, leek precies op de stamboom die we al kenden van DNA.
• De verrassing: Het programma vond ook fouten! Sommige bacteriën stonden op de verkeerde plek in de boom. Het bleek dat de onderzoekers per ongeluk de flesjes door elkaar hadden gehaald in het lab. TreeMS2 fungeerde hier als een super-scherpe kwaliteitscontroleur die riep: "Hé, deze bacterie ruikt niet naar zijn familie, maar naar die in het andere flesje!"

B. De "Levensrij" (Van Virussen tot Mensen)
Ze testten het op een mix van virussen, bacteriën en complexe organismen (zoals schimmels en mensen).

• Het resultaat: Ondanks dat virussen en mensen totaal verschillend zijn, zag TreeMS2 de grote lijnen. Virussen zaten bij elkaar, bacteriën bij elkaar, en mensen bij elkaar.
• Een grappig detail: Een bepaalde bacterie (Mycoplasma) leek meer op een virus dan op een andere bacterie. Dat klopt ook wel, want deze bacterie is zo klein en simpel dat hij vroeger zelfs voor een virus werd aangezien. TreeMS2 zag deze "functionele gelijkenis" direct.

C. De Eén-Cellige "Reis" (Stamcellen)
Ze keken naar individuele menselijke cellen die zich ontwikkelden van een stamcel naar een gespecialiseerde cel.

• Het resultaat: Zelfs met heel weinig data (soms is het signaal van één cel heel zwak en "ruisig"), zag TreeMS2 duidelijk welke cellen nog stamcellen waren en welke al op weg waren naar een nieuwe functie. Het was alsof je een groep mensen ziet veranderen van "kinderen" naar "volwassenen" door alleen naar hun kledingstijl te kijken, zonder hun namen te kennen.

D. De Wereldkeuken (Voedingsmiddelen)
Tot slot keken ze naar duizenden voedselmonsters (vlees, vis, groenten, zuivel).

• Het resultaat: Ze maakten een kaart van de wereldkeuken. Vlees en vis lagen dicht bij elkaar, groenten en fruit lagen bij elkaar.
• De magie: Het zag zelfs subtiele verschillen. Fermentatie (zoals van melk naar yoghurt) zorgde voor een duidelijke scheiding in de kaart. Het programma kon zien dat een glas wijn en een biertje (beide alcoholisch) meer op elkaar leken dan op een glas water, puur op basis van hun moleculaire "geur".

4. Waarom is dit belangrijk?

Stel je voor dat je een nieuwe planeet ontdekt met vreemde organismen. Je hebt geen DNA-database van die planeet.

• Vroeger: Je kon niets doen omdat je de organismen niet kon "namen".
• Nu met TreeMS2: Je kunt direct een stamboom maken van hoe ze met elkaar verwant zijn, puur op basis van wat ze doen en waaruit ze bestaan.

Het is alsof je een tijdmachine hebt die je niet de geschiedenisboeken geeft, maar je direct laat zien hoe de familieleden eruit zagen en hoe ze leefden, zelfs als je hun namen niet kent.

Samenvattend:
TreeMS2 is een snelle, slimme tool die duizenden meetgegevens in één keer kan vergelijken zonder dat hij de namen van de stoffen hoeft te kennen. Het helpt wetenschappers om:

1. Fouten in het lab te vinden.
2. De evolutie van organismen te begrijpen op basis van hun "gedrag" (eiwitten en chemicaliën) in plaats van alleen hun "blauwdruk" (DNA).
3. De wereld van voedsel en medicijnen beter te verkennen, zelfs bij stoffen die we nog nooit hebben gezien.

Het is een nieuwe manier om te kijken naar het leven: niet naar de instructiehandleiding, maar naar de feitelijke machine die draait.

Technische samenvatting

Probleemstelling

Traditionele moleculaire fylogenie (het reconstrueren van evolutionaire relaties) steunt bijna uitsluitend op DNA- en RNA-sequenties. Hoewel dit een krachtige methode is, geeft het slechts een beeld van het genetische blauwdruk en niet van de daadwerkelijke functionele toestand (het fenotype) van een organisme. De proteoom- en metaboloomdata, die worden gegenereerd via massaspectrometrie (MS), vertegenwoordigen dit gerealiseerde fenotype en kunnen inzicht geven in adaptatie, regulatie en omgevingsinvloeden.

Er zijn echter twee grote obstakels voor het gebruik van MS-data voor fylogenetische analyse op grote schaal:

1. Afhankelijkheid van annotatie: Bestaande methoden (zoals Qemistree voor metabolomics) vereisen vaak dat spectra eerst worden geannoteerd (identificatie van peptiden of metabolieten) via in silico tools. Dit is problematisch omdat grote publieke datasets vaak veel spectra bevatten die niet kunnen worden geïdentificeerd door gebrek aan referentiedatabases, vooral bij niet-besproken taxa of ongericht metabolomics.
2. Schaalbaarheid: Bestaande tools voor directe spectrale vergelijking (zoals compareMS2) gebruiken een exhaustieve paar-voor-paar vergelijking. Dit resulteert in een kwadratische schaalbaarheid ($O(N^2)$), wat computationeel onhaalbaar maakt voor datasets met miljoenen tot honderden miljoenen spectra.

Methodologie: TreeMS2

De auteurs introduceren TreeMS2, een schaalbaar, computergestuurd framework dat fylogenetische bomen en afstandsmatrices construeert direct uit ruwe tandem-massaspectrometrie (MS/MS) spectra, zonder enige vorm van moleculaire annotatie.

De kern van de werking van TreeMS2 omvat de volgende stappen:

1. Preprocessing en Vectorisatie:
   • Ruwe spectra worden gepreprocessed (ruisfiltering, normalisatie van intensiteit).
   • Elk spectrum wordt omgezet in een hoogdimensionale, spaarzame vector door fragment-m/z-waarden te binning (standaard 0,05 m/z tolerantie).
2. Dimensionaliteitsreductie:
   • Om de rekenlast te verlagen, wordt sparse random projection toegepast. Dit projecteert de spaarzame vectoren naar een lagere dimensie (standaard 400 dimensies) terwijl de cosinus-ähnelijkheid grotendeels behouden blijft.
3. Efficiënte Zoekstrategie (Approximate Nearest Neighbors - ANN):
   • In plaats van alle spectra met elkaar te vergelijken, bouwt TreeMS2 een index op (met behulp van Faiss en Lance vector stores).
   • Er wordt gebruikgemaakt van Approximate Nearest Neighbour (ANN) zoekalgoritmen (zoals IVF of HNSW grafieken). Dit verlaagt de complexiteit van kwadratisch naar bijna lineair ($O(N \log N)$ of beter), waardoor datasets met honderden miljoenen spectra haalbaar worden.
   • De spectra worden gesplitst op basis van de precursorlading om vergelijkingen te beperken tot spectra met vergelijkbare fragmentatiepatronen.
4. Berekening van Sample-ähnelijkheid:
   • De afstand tussen twee monsters (bijv. twee bacteriestammen) wordt gedefinieerd als het gemiddelde percentage spectra in monster A dat een "close match" vindt in monster B (en vice versa).
   • Dit resulteert in een symmetrische afstandsmatrix die direct kan worden gebruikt voor fylogenetische reconstructie (bijv. UPGMA) of dimensiereductie (UMAP, PCA).

Belangrijkste Bijdragen

• Schaalbaarheid: TreeMS2 is de eerste tool die fylogenetische analyse mogelijk maakt op datasets met miljoenen spectra binnen enkele uren, terwijl bestaande methoden hier dagen of weken voor nodig zouden hebben of volledig zouden falen.
• Annotatie-onafhankelijkheid: De methode vereist geen identificatie van peptiden of metabolieten. Dit maakt het toepasbaar op "donkere" data (niet-geannoteerde spectra) en onbekende organismen.
• Multi-modale toepasbaarheid: Het framework werkt uniform voor proteomics, single-cell proteomics (SCP) en metabolomics, zonder dat de onderliggende algoritmen aangepast hoeven te worden voor het domein.
• Open Source: De software is beschikbaar als open-source tool, wat de reproduceerbaarheid en adoptie bevordert.

Resultaten

De auteurs testen TreeMS2 op vier diverse use-cases:

1. Bacteriële Proteomics (Taxonomie en Kwaliteitscontrole):

   • Op een dataset van 303 bacteriële proteomes (13 miljoen spectra) reconstrueerde TreeMS2 een boom die sterk overeenkwam met gevestigde taxonomie (fyla, orden, geslachten).
   • Kwaliteitscontrole: De tool detecteerde automatisch monsters die verkeerd waren gelabeld of verward (bijv. Pseudomonas soorten die verkeerd in de boom stonden). Door terug te kijken naar de ruwe data bleek dat deze monsters inderdaad verkeerd waren bemonsterd.
   • Voorspelling: TreeMS2 kon de geslachten en soorten van 46 voedsel-isolaten correct voorspellen op basis van de 38SPD dataset.

2. Proteomics van het "Koninkrijk van het Leven":

   • Toepassing op een dataset met 79 soorten (virussen, archaea, bacteriën, eukaryoten, totaal 56 miljoen spectra).
   • De gegenereerde boom toonde duidelijke clusters voor superkoninkrijken (virussen, bacteriën, eukaryoten) en subgroepen (planten, dieren, schimmels).
   • Afwijkingen in de boom leverden biologische inzichten op, zoals de clustering van E. coli met Dictyostelium discoideum (door voedselbesmetting) en de unieke positie van Mycoplasma (functioneel meer vergelijkbaar met virussen door het ontbreken van een celwand).

3. Single-Cell Proteomics (SCP):

   • Toepassing op data van menselijke stamcellen (hiPSC) en embryonale lichaamscellen (EB) met Data-Independent Acquisition (DIA).
   • Ondanks de hoge ruis en het ontbreken van veel peptide-identificaties in SCP-data, slaagde TreeMS2 erin om duidelijke scheidingen tussen celtypen en differentiatietrajecten te visualiseren. Dit bewijst de robuustheid voor complexe, onvolledige datasets.

4. Metabolomics (Global FoodOmics):

   • Analyse van 3.500 voedselmonsters (4 miljoen spectra).
   • De UMAP-visualisatie toonde duidelijke clusters voor voedselgroepen (vlees, vis, zuivel, groenten) en subgroepen (bijv. gefermenteerde vs. niet-gefermenteerde producten).
   • Dit demonstreert dat TreeMS2 in staat is om biochemische diversiteit en functionele overeenkomsten in voedselproducten te ontrafelen zonder kennis van de specifieke metabolieten.

Significantie

TreeMS2 vult een cruciale kloof in de bio-informatica door fylogenetische analyse uit te breiden van het genetische niveau naar het fenotypische niveau (proteoom en metaboloom).

• Nieuwe Inzichten: Het stelt onderzoekers in staat om evolutionaire relaties te zien die worden gedreven door functionele aanpassing en ecologische niche-specialisatie, in plaats van alleen genetische afstamming.
• Kwaliteitsborging: Het biedt een krachtige, onbewuste methode voor kwaliteitscontrole in grote MS-datasets, waarbij sample mix-ups en fouten direct zichtbaar worden in de fylogenetische structuur.
• Toekomstperspectief: Gezien de explosieve groei van openbare MS-repositories (zoals PRIDE en GNPS), biedt TreeMS2 een schaalbare oplossing om deze "grote data" te benutten voor vergelijkende biologie, ecologie en voedselwetenschappen, zelfs voor organismen waarvoor geen genoomsequenties beschikbaar zijn.

Kortom, TreeMS2 transformeert ruwe MS/MS-data van een lokaal analytisch instrument naar een globaal evolutionair en functioneel kompas.