usiGrabber: Automating the curation of proteomics spectra data at scale, making large datasets ready for use in machine learning systems

usiGrabber is een schaalbaar framework dat massaspectrometrie-gegevens uit PRIDE automatiseert en standaardiseert met behulp van Universele Spectrum-identificatoren (USIs), waardoor grote datasets direct inzetbaar worden voor machine learning zonder de noodzaak van tijdrovende handmatige curatie.

De kern

Stel je voor dat de wereld van de biologie een enorme, ongekende bibliotheek is. In deze bibliotheek liggen miljarden boeken (data) over eiwitten, de bouwstenen van het leven. Deze boeken zijn openbaar en gratis toegankelijk voor iedereen. Maar er is een groot probleem: de boeken liggen in een chaos. Ze zijn niet ingedeeld, de inhoud is in duizenden verschillende talen geschreven, en ze zitten verpakt in dozen die je niet kunt openen zonder speciale gereedschappen.

Wetenschappers die willen leren van deze boeken (met behulp van kunstmatige intelligentie of 'machine learning') zitten vast. Ze moeten elk boek handmatig doorbladeren, vertalen en samenvatten. Dit kost jaren, is extreem duur en betekent dat ze vaak alleen werken met de oude boeken die ze al kennen, terwijl de nieuwste ontdekkingen onbenut blijven.

De oplossing: usiGrabber

In dit artikel stellen de auteurs usiGrabber voor. Je kunt dit zien als een super-snel, robotachtig bibliotheekbeheersysteem dat de chaos in een handomdraai oplost.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het probleem: De "Grote Chaos"

Vroeger moesten onderzoekers zelf naar de bibliotheek gaan, een paar dozen boeken uitkiezen, ze handmatig openen en de interessante pagina's eruit knippen.

• Het nadeel: Ze misten vaak de beste boeken omdat ze te groot waren om te dragen of ze niet konden vinden. Ze gebruikten vaak alleen oude boeken uit 2017 of 2018, terwijl er intussen nieuwe, betere boeken waren geschreven.
• De analogie: Het is alsof je een restaurant hebt dat alleen maar recepten uit 1990 gebruikt, terwijl er elke dag nieuwe, innovatieve gerechten worden bedacht die je niet kunt vinden.

2. De oplossing: De Robot die alles leest

usiGrabber is een slimme software die drie dingen doet:

• De Scanner (Extraction): In plaats van dat mensen boeken handmatig lezen, scant de robot de hele bibliotheek. Hij pakt de "inhoudsopgaven" (de technische bestanden die zeggen wat er in de boeken staat) en leest ze razendsnel. Hij noteert precies welke pagina's (spectra) interessant zijn, zonder dat hij het hele zware boek hoeft te dragen.
• De Indexer (Filtering): De robot maakt een slimme lijst. Hij zegt: "Oké, ik wil alleen recepten met 'chili' (fosforylering) en alleen die van de beste chefs." Hij filtert miljarden pagina's in een paar uur, iets wat voor een mens jaren zou duren.
• De Bezorger (Download): Zodra de lijst klaar is, gaat de robot de zware boeken (de ruwe data) ophalen, maar alleen de specifieke pagina's die op de lijst staan. Hij pakt ze uit, legt ze netjes op een stapel en maakt ze klaar om te worden gebruikt.

3. Het resultaat: Een snelle, schone keuken

De auteurs hebben dit systeem getest door een speciale "chili-receptenlijst" (een dataset voor fosforylering) te maken.

• Snelheid: In minder dan twee dagen tijd hadden ze een dataset van 11 miljoen recepten samengesteld.
• Kwaliteit: Ze gebruikten deze nieuwe dataset om een kunstmatige intelligentie te trainen. Het bleek dat deze AI net zo goed presteerde als de oude modellen die jarenlang met handmatig geselecteerde, verouderde data waren getraind.
• De les: Je hoeft niet vast te zitten aan oude data. Je kunt direct werken met de nieuwste ontdekkingen, zolang je maar de juiste robot (usiGrabber) hebt.

Waarom is dit belangrijk?

Voorheen was het alsof je probeerde een auto te bouwen met onderdelen uit een oude schuur, omdat je niet wist hoe je de nieuwe onderdelen uit de fabriek moest bestellen. Met usiGrabber kun je nu direct de nieuwste, beste onderdelen uit de hele wereld halen en je eigen auto bouwen.

Het maakt het mogelijk voor elke onderzoeker om zijn eigen, specifieke dataset te maken, zonder dat ze duizenden euro's moeten uitgeven aan dure servers of jaren moeten wachten op handmatig werk. Het democratiseert de wetenschap: iedereen kan nu meedoen aan de toekomst van de biologie, niet alleen degenen met de meeste tijd en middelen.

Kortom: usiGrabber is de sleutel die de deur opent naar een wereld van data die tot nu toe gesloten was, en zet die data om in brandstof voor de slimme computers van de toekomst.

Technische samenvatting

Probleemstelling

De proteomics-gemeenschap genereert een ongeëvenaarde hoeveelheid massaspectrometrie-gebaseerde data, voornamelijk opgeslagen in repositories zoals PRIDE (PRoteomics IDEntifications Database). Ondanks de explosieve groei in publicaties over machine learning (ML) in dit domein, blijft de toepassing van ML beperkt. De kern van het probleem is dat bestaande data niet direct herbruikbaar is voor schaalbare ML-toepassingen:

• Manuele curatie is een bottleneck: Het bouwen van specifieke datasets vereist diepe domeinkennis en tijdrovend handwerk. Bestaande ML-modellen vertrouwen vaak op kleine, handmatig samengestelde datasets die al jaren niet zijn bijgewerkt (bijv. MassIVE-KB v1 uit 2018).
• Ongeschikte repository-architectuur: Repositories zoals PRIDE zijn geoptimaliseerd voor projectniveau-detectie, niet voor het ophalen van individuele spectra. Relevante informatie (zoals specifieke modificaties of kwaliteitsindicatoren) zit vaak verspreid in resultaatbestanden of op het niveau van Peptide Spectrum Matches (PSM's).
• Beperkte tools: Bestaande tools bieden ofwel bulkdownloads van ruwe bestanden (te groot en inefficiënt) of visualisatie van individuele spectra, maar geen schaalbare manier om specifieke spectra op basis van Universal Spectrum Identifiers (USI's) te extraheren en te combineren tot ML-klaar datasets.

Methodologie: usiGrabber

De auteurs introduceren usiGrabber, een schaalbaar framework dat is ontworpen rondom portabiliteit en uitbreidbaarheid, in plaats van een centraal beheerde database. Het framework automatiseert de curatie van proteomics-data in drie hoofdstappen (zoals weergegeven in Figuur 1 van het artikel):

1. Extractie en Parsing:

   • Het systeem downloadt en parseert mzIdentML-bestanden (standaardresultaatbestanden van de HUPO-PSI) van PRIDE-projecten.
   • Het extraheert metadata op projectniveau (via de PRIDE API) en op PSM-niveau, waaronder peptide-sequenties, post-translatiële modificaties (PTM's), ladingstoestanden en mass-to-charge-ratio's.
   • Een robuuste parser, gebaseerd op pyteomics, wordt gebruikt om om te gaan met variaties in bestandsformaten en fouten. Ontologieën (UNIMOD, NCBITaxon, MS) worden gebruikt om annotaties te normaliseren.
   • De data wordt opgeslagen in een PostgreSQL-database, gekoppeld aan Universal Spectrum Identifiers (USI's).

2. Filtering en Querying:

   • Onderzoekers kunnen hun eigen database-instantie bouwen en filteren op specifieke criteria (bijv. specifieke organismen, instrumenten, of PTM's zoals fosforylering) op het niveau van spectra/PSM's.
   • Dit elimineert de noodzaak om volledige projecten handmatig te selecteren; alleen de relevante spectra worden geïdentificeerd via hun USI's.

3. Schaalbare Download en Validatie:

   • De download-tool groepeert USI's per ruw bestand (Thermo Fisher Raw files) en downloadt deze efficiënt.
   • De spectra worden geëxtraheerd met de ThermoRawFileParser (v2.0) en geconverteerd naar Parquet of MGF-formaten.
   • Kwaliteitscontrole: Een cruciale stap is het vergelijken van de ladingstoestand (charge state) in het USI met die in het ruwe spectrum. Bestanden met discrepanties worden verworpen om de integriteit van de dataset te garanderen.

Belangrijkste Bijdragen

• Schalbaarheid en Snelheid: usiGrabber demonstreert dat het mogelijk is om binnen 49 uur meer dan 800 miljoen PSM's en bijbehorende USI's te parsen uit meer dan 1.200 projecten.
• Flexibiliteit: In plaats van één statische dataset uit te leveren, biedt usiGrabber software waarmee onderzoekers zelf task-specifieke datasets kunnen bouwen op commerciële infrastructuur.
• Proof of Concept: De auteurs hebben een dataset van bijna 11 miljoen spectra voor fosforylering samengesteld in minder dan twee dagen.
• Open Source: De code is beschikbaar op GitHub en de gegenereerde datasets op Zenodo, wat herbruikbaarheid en transparantie bevordert.

Resultaten

• Dataset Constructie: Voor het bewijzen van het concept werd een dataset voor een binaire fosforylerings-classificator samengesteld. Uit een potentieel aanbod van 42,5 miljoen PSM's werden er na strikte kwaliteitsfilters (inclusief rank 1, projectdrempels en ladingstoestand-validatie) 10,9 miljoen hoogwaardige PSM's geselecteerd.
• Model Performance: Een binair classificatiemodel, gebaseerd op de AHLF-architectuur, werd getraind op deze automatisch gegenereerde dataset.
  • Het model bereikte een balansnauwkeurigheid (balanced accuracy) van 0,78.
  • Dit presteert vergelijkbaar met de oorspronkelijke AHLF-modellen (die op handmatig samengestelde, oudere data waren getraind) en verslaat twee van de vier individuele AHLF-basismodellen.
  • Alleen het geënsambleerde AHLF-model (dat op twee keer zoveel data was getraind) presteerde iets beter (+3%), wat aantoont dat automatisch gegenereerde data van hoge kwaliteit is.
• Efficiëntie: Het volledige proces van extractie tot ML-klaar dataset duurde minder dan twee werkdagen met minimale menselijke tussenkomst.

Betekenis en Impact

usiGrabber lost een fundamenteel probleem op in de proteomics: de kloof tussen de enorme hoeveelheid publiek beschikbare data en de behoefte aan schaalbare, ML-klaar datasets.

• Versnelling van Onderzoek: Het stelt onderzoekers in staat om snel nieuwe datasets te bouwen die actuele data bevatten, in plaats van vast te zitten aan verouderde, handmatig samengestelde datasets.
• Kwaliteit vs. Volume: Het bewijst dat geautomatiseerde curatie geen inboet aan kwaliteit hoeft te betekenen; het model presteert vergelijkbaar met state-of-the-art modellen.
• Toekomstperspectief: Door de modulariteit van het framework kan het eenvoudig worden uitgebreid met nieuwe bestandsformaten (zoals MaxQuant-output) en metadata-standaarden (zoals SDRF), waardoor het meegroeit met de groeiende repositories. Dit is een noodzakelijke stap om proteomics-ML op hetzelfde schaalniveau te brengen als sequence-based modellen (zoals Protein Language Models).