DiaReport: Reproducible Workflow for Differential Expression Analysis and Interactive Reporting in DIA-based Proteomics

DiaReport is een open-source R-pakket dat een reproduceerbare workflow biedt voor differentiaalexpressie-analyse van DIA-gebaseerde proteomica-data, inclusief geautomatiseerde, interactieve HTML-rapportage via Quarto.

De kern

Stel je voor dat je een gigantische bibliotheek binnenstapt, maar de boeken zijn niet in de kasten geplaatst, ze liggen in een enorme, chaotische hoop op de vloer. En niet alleen dat: sommige pagina's ontbreken, sommige boeken zijn in een vreemde taal geschreven en je moet erachter komen welke boeken eigenlijk hetzelfde verhaal vertellen.

Dit is wat wetenschappers doen in de proteïnomica (het bestuderen van eiwitten in cellen) met een techniek genaamd DIA (Data-Independent Acquisition). Het is een krachtige manier om duizenden eiwitten in één keer te meten, maar het resultaat is vaak een enorme, onleesbare data-hoop.

Hier komt DiaReport om de hoek kijken.

Wat is DiaReport eigenlijk?

DiaReport is als een slimme, automatische bibliotheekmanager die speciaal is gebouwd voor deze data-hoop. Het is een computerprogramma (een "R-pakket") dat doet wat je normaal gesproken met drie verschillende gereedschappen en veel handmatig werk zou moeten doen.

Het pakt die chaotische data, sorteert het, telt het, zoekt naar patronen en maakt er uiteindelijk een interactief, mooi verslag van dat je gewoon in je webbrowser kunt openen.

Hoe werkt het? (De analogie)

1. De Invoer (De Chaos):
   Je begint met ruwe data van een apparaat (DIA-NN) en een lijstje met aantekeningen over je proefjes (het "Experiment Design File"). Dit is als het gooien van losse puzzelstukken en een foto van het eindresultaat in een doos.

2. De Sorteerder (De Data-verwerking):
   DiaReport begint met het opruimen:

   • Het filteren: Het gooit de stukjes weg die te vaak ontbreken (zoals een puzzelstuk dat bij geen enkel plaatje past) of die duidelijk van een ander spel zijn (verontreinigingen).
   • Het samenvoegen: Veel puzzelstukken horen bij hetzelfde plaatje (een eiwit). DiaReport telt deze stukjes samen tot één duidelijk beeld.
   • Het normaliseren: Het zorgt ervoor dat alle proefjes op dezelfde schaal staan, alsof je alle boeken in de bibliotheek op dezelfde hoogte zet, zodat je ze eerlijk kunt vergelijken.

3. De Vergelijker (De Analyse):
   Nu DiaReport de data netjes heeft, gaat het zoeken naar verschillen. "Zijn er in groep A meer boeken over katten dan in groep B?" Het gebruikt geavanceerde wiskunde om te zeggen: "Ja, dit verschil is echt, en niet zomaar toeval."

4. Het Verslag (De Interactive HTML):
   Dit is het mooiste deel. In plaats van een saaie, statische PDF met alleen cijfers, maakt DiaReport een levendige website (een HTML-rapport).

   • Je kunt erin klikken en scrollen.
   • Je ziet grafieken die bewegen als je met je muis eroverheen gaat.
   • Je kunt zoeken in tabellen.
   • Het is als een interactief museum waar je zelf de verlichting kunt aan- en uitzetten om de mooiste stukken te zien.

Waarom is dit zo'n goed idee?

• Het is één knop: Vroeger moest je eerst dit commando typen, dan die software openen, dan een ander script draaien. Met DiaReport doe je het allemaal in één keer. Het is als het verschil tussen zelf een auto bouwen en er gewoon eentje kopen die je direct kunt rijden.
• Het is eerlijk en reproduceerbaar: Soms vergeten wetenschappers welke knop ze precies hebben gedrukt. DiaReport slaat elke stap op in een logboekje (een configuratiebestand). Als iemand anders over een jaar jouw onderzoek wil herhalen, kan hij precies zien wat jij hebt gedaan. Het is alsof je een recept schrijft met exacte gram-maten, zodat de taart er altijd hetzelfde uitziet.
• Het is flexibel: Of je nu gewoon twee groepen wilt vergelijken (zoals "gezond" vs. "ziek") of een heel complex experiment doet met tien verschillende factoren, DiaReport past zich aan.

Een echt voorbeeld uit de paper

De auteurs testten het op een specifiek probleem: Extracellulaire Vesikels (EV's). Dit zijn kleine blaasjes die cellen afscheiden, en ze zijn heel belangrijk voor de geneeskunde. Ze wilden weten welke methode het beste was om deze blaasjes te vangen: een oude, zware methode (ultracentrifugatie) of een nieuwe, snelle methode (ultrafiltratie).

DiaReport toonde direct aan dat de nieuwe methode:

1. Minder "vuil" (verontreinigingen van koeien) bevatte.
2. Consistenter was (minder variatie tussen proefjes).
3. Beter bepaalde eiwitten vasthield.

Dit deden ze niet door urenlang in spreadsheets te zitten, maar door DiaReport te draaien en het mooie, interactieve verslag te bekijken.

Conclusie

DiaReport is de vertaler tussen de complexe, wiskundige wereld van eiwit-data en de menselijke wereld van begrijpelijke inzichten. Het maakt het voor wetenschappers (en zelfs voor mensen met minder programmeerkennis) mogelijk om snel, betrouwbaar en mooi te laten zien wat hun experimenten hebben opgeleverd. Het is de sleutel om van een hoop ruwe data naar een helder verhaal te gaan.

Technische samenvatting

Probleemstelling

Hoewel Data-Independent Acquisition (DIA) in de massaspectrometrie-based proteomica snel de voorkeur krijgt boven Data-Dependent Acquisition (DDA) vanwege de robuustere kwantificering en hogere peptide-identificatie, ontbreekt het aan geïntegreerde, reproduceerbare workflows voor differentialexpressie-analyse (DE) en rapportage.

• Fragmentatie: Bestaande tools zoals DIA-NN (voor kwantificering) en MSqRob (voor statistische modellering) zijn krachtige individuele componenten, maar ze zijn niet naadloos met elkaar verbonden in één geautomatiseerde workflow.
• Rapportage: Er zijn beperkte tools die zowel data-verwerking als interactieve, hoogwaardige rapportage combineren. Bestaande oplossingen vereisen vaak het wisselen tussen command-line interfaces en externe Shiny-applicaties, wat de reproduceerbaarheid en deeltbaarheid van resultaten bemoeilijkt.
• Reproduceerbaarheid: Veel R-gebaseerde workflows vertrouwen op ad-hoc scripts en losjes gestructureerde objecten, wat het moeilijk maakt analyses te reproduceren of uit te wisselen met downstream-tools.

Methodologie

DiaReport is een open-source R-pakket dat een end-to-end workflow biedt voor de verwerking van DIA-NN-uitvoer tot differentialexpressie-analyse en interactieve rapportage. De kernmethodologie omvat:

1. Input en Ontwerp:

   • Vereist twee bestanden: de DIA-NN rapportoutput (parquet of tsv) en een experimenteel ontwerpbestand (EDF) met metadata (stalen, replicaten, groepen).
   • Ondersteunt covariaten en verwarrende factoren in het statistische model.

2. Data-verwerking en Kwaliteitscontrole:

   • Filtering: Implementeert filtering op q-waarden (precursor- en proteïne-niveau, q ≤ 0.01), contaminanten en ontbrekende waarden.
   • Compleetheid: Biedt drie strategieën voor het filteren van ontbrekende waarden gebaseerd op een gebruikersdefinieerde drempel k: per-groep, over-groepen en globaal.
   • Normalisatie: Log2-transformatie en normalisatie volgens door de gebruiker gekozen methoden.
   • Samenvoegen: Robuuste samenvoeging van precursor-intensiteiten naar proteïne-niveau (bijv. median polish).
   • Statistiek: Gebruikt MSqRob (in combinatie met QFeatures) voor differentialexpressie-analyse. Dit maakt het mogelijk om complexe experimentele ontwerpen (bijv. factorial designs) te modelleren zonder imputatie van ontbrekende waarden, aangezien MSqRob deze expliciet modelleert.

3. Rapportage en Visualisatie:

   • Genereert volledig interactieve HTML-rapporten via Quarto.
   • Gebruikt Plotly voor interactieve visualisaties (volcano plots, heatmaps, PCA) en DataTables voor doorzoekbare resultaten.
   • Templates: Biedt drie aangepaste templates:
     • Base: Kwaliteitscontrole en basis DE-analyse.
     • Partial: Voegt analyse toe voor proteïnes die alleen in specifieke condities worden gedetecteerd ("absent-from-DE").
     • EV (Extracellular Vesicles): Specifiek voor EV-onderzoek, inclusief marker-panelen en contaminant-analyse.

4. Structuur en Reproduceerbaarheid:

   • Alle parameters worden opgeslagen in een YAML-configuratiebestand.
   • Resultaten worden bewaard als een gestructureerde QFeatures-object (RDS) en CSV-bestanden.
   • De workflow draait lokaal en genereert zelfstandige HTML-bestanden die geen actieve server vereisen.

Belangrijkste Bijdragen

• Geïntegreerde Workflow: DiaReport combineert data-verwerking, statistische modellering en rapportage in één R-functie, wat de drempel voor gebruikers zonder uitgebreide programmeerkennis verlaagt.
• Interactieve Rapportage: In plaats van statische PDF's of externe dashboards, levert het zelfstandige, draagbare HTML-rapporten op die direct gekoppeld zijn aan de specifieke analyseversie.
• Flexibiliteit: Ondersteunt zowel eenvoudige paar-voor-paar vergelijkingen als complexe experimentele ontwerpen met meerdere covariaten.
• Modulariteit: De scheiding tussen analyse-logic en visualisatie (via Quarto-templates) maakt het eenvoudig om nieuwe rapportvormen toe te voegen.
• Open Source: Het pakket is beschikbaar op GitHub onder de MIT-licentie en is platformonafhankelijk.

Resultaten

De auteurs hebben DiaReport gevalideerd op twee datasets:

1. UPS2/Yeast Benchmark:

   • Een dataset waarbij UPS2-proteïnen in gecontroleerde concentraties werden toegevoegd aan een gist-achtergrond.
   • DiaReport herstelde de verwachte vouwveranderingen (fold-changes) nauwkeurig.
   • Interactieve PCA-plotten toonden duidelijke clustering op basis van de spike-in-niveaus.

2. Extracellular Vesicle (EV) Case Study:

   • Vergelijking van twee EV-verrijkingsprotocollen: ultracentrifugatie (UC) versus ultrafiltratie in 96-well platen (UF96).
   • Kwaliteitscontrole: Het rapport toonde aan dat UF96 aanzienlijk minder runder-contaminanten (bovine contaminants) bevatte dan UC, wat cruciaal is voor diepgaande EV-proteomica.
   • Variabiliteit: UF96-replicaten toonden een lagere variabiliteit en een strakkere clustering in PCA dan UC-replicaten.
   • Differentialexpressie: Identificeerde een groot aantal proteïnes met significante abundantieverschillen. Het rapport onthulde bijvoorbeeld dat transmembraanproteïnes hoger aanwezig waren bij de UF96-methode.
   • Performance: Voor typische klinische cohorten (50-200 stalen) is de totale runtime (analyse + rapportgeneratie) op een standaard laptop binnen praktische grenzen (zie Supplementaire Tabel S1).

Significantie

DiaReport vult een belangrijke leemte in de proteomische toolset door een reproduceerbare, geautomatiseerde en gebruiksvriendelijke oplossing te bieden voor de volledige analytische keten van DIA-data.

• Het verhoogt de transparantie en reproduceerbaarheid door gestructureerde output en configuratiebestanden.
• Het democratiseert geavanceerde statistische analyse door complexe workflows toegankelijk te maken voor onderzoeksgroepen met beperkte IT-expertise.
• Het faciliteert samenwerking en archivering door het genereren van zelfstandige rapporten die niet afhankelijk zijn van serveromgevingen.
• De modulaire opzet maakt het een ideale basis voor toekomstige uitbreidingen naar andere kwantitatieve workflows en downstream-analyses.