ProteoPy: an AnnData-based framework for integrated proteomics analysis

ProteoPy is een lichtgewicht Python-bibliotheek die op de AnnData-structuur is gebaseerd en geïntegreerde proteomics-analyse mogelijk maakt, inclusief de afleiding van proteovormgroepen en naadloze integratie met het Scanpy-ecosysteem voor reproduceerbare multi-omics-onderzoek.

De kern

Wat is ProteoPy? (De "Super-Organisator" voor eiwitten)

Stel je voor dat eiwitten de bouwstenen en machines zijn in je lichaam. Ze doen het zware werk: ze bouwen cellen, vechten tegen ziektes en zorgen dat je hart klopt. Wetenschappers gebruiken een heel gevoelige machine (een massaspectrometer) om te kijken welke eiwitten er in een monster zitten en hoeveel er van zijn.

Het probleem is dat de data die deze machines opleveren vaak als een enorme, chaotische berg losse papiertjes ligt. Elke software heeft zijn eigen formaat, zijn eigen regels en zijn eigen taal. Voor een onderzoeker is het alsof je een bibliotheek moet bouwen, maar elke auteur een ander alfabet gebruikt.

ProteoPy is de oplossing. Het is een nieuwe, slimme computerprogramma (een "Python-bibliotheek") dat al die losse papiertjes in één grote, georganiseerde map stopt.

De Vergelijking: De "AnnData" als een Slimme Reisgids

Om te begrijpen hoe ProteoPy werkt, moeten we kijken naar AnnData.
Stel je voor dat AnnData een super-slimme reisgids is die al bekend is bij mensen die naar de "cel-wereld" (specifiek RNA en genen) kijken. Deze gids houdt niet alleen een lijst bij van alle plekken die je bezoekt, maar ook van je reisgeschiedenis, je foto's, je notities en je budget, allemaal in één boekje.

Vroeger hadden mensen die naar eiwitten keken (proteomics) hun eigen, aparte boekjes die niet pasten bij de reisgids van de genenonderzoekers.

• ProteoPy is nu de vertaler die zegt: "Wacht, laten we ook onze eiwit-data in diezelfde slimme reisgids (AnnData) stoppen."

Waarom is dit cool?

1. Eén taal: Onderzoekers hoeven niet meer te leren hoe ze met vijf verschillende softwareprogramma's moeten werken. Ze gebruiken één systeem.
2. Samenwerken: Omdat het in hetzelfde formaat zit als de genen-data, kunnen onderzoekers nu heel makkelijk kijken hoe eiwitten en genen samenwerken. Het is alsof je plotseling een kaart hebt waarop zowel de wegen (genen) als het verkeer (eiwitten) tegelijkertijd te zien is.

De Nieuwe Superkracht: Het Oplossen van Eiwit-"Vermommingen"

Dit is misschien wel het spannendste deel van het verhaal.
Stel je voor dat een eiwit een kostuum is. Soms draagt een eiwit een kostuum met een extra cape, soms met een andere hoed, en soms met een masker. In de biologie noemen we deze verschillende versies proteoformen.

Vroeger keken onderzoekers alleen naar het "hoofd" van het eiwit en zeiden: "Ah, dit is eiwit X." Ze zagen de cape of het masker niet. Maar die extra onderdelen kunnen bepalen of het eiwit werkt of niet.

ProteoPy heeft een speciale functie (een heruitgave van een oud algoritme genaamd COPF) die als een detective werkt.

• In plaats van alleen naar het eiwit te kijken, kijkt het naar de stukjes (peptiden) waar het eiwit uit bestaat.
• Het ziet patronen: "Hé, deze twee stukjes komen altijd samen voor in zieke cellen, maar niet in gezonde cellen."
• Zo kan het de "vermommingen" (de specifieke proteoformen) opsporen die normaal verborgen blijven.

Dit helpt wetenschappers om te zien hoe een eiwit precies verandert bij ziektes, in plaats van alleen te zien dat het verandert.

Hoe werkt het in de praktijk?

Het artikel laat zien dat ProteoPy drie dingen heel goed doet:

1. Inpakken (Import): Je sleept je ruwe data erin, en het maakt er direct een nette, georganiseerde map van.
2. Schoonmaken (Preprocessing): Het verwijdert vuil en ruis (zoals slechte metingen) en zorgt dat alle monsters op dezelfde schaal staan, net als het kalibreren van weegschalen.
3. Analyseren en Tekenen (Tools & Plotting): Het doet de moeilijke rekenwerkjes om te zien wat er anders is tussen gezonde en zieke cellen, en maakt er direct mooie, duidelijke plaatjes van die je in een wetenschappelijk artikel kunt gebruiken.

Conclusie: De Brug naar de Toekomst

Kortom, ProteoPy is als het bouwen van een brug.
Aan de ene kant staat de wereld van de genenonderzoekers (die al lang een goed georganiseerd systeem hebben). Aan de andere kant staat de wereld van de eiwitonderzoekers (die vaak met losse onderdelen worstelden).

ProteoPy legt die brug. Het maakt het makkelijker voor beginners om te beginnen, het helpt experts om sneller te werken, en het stelt ons in staat om de complexe puzzel van het leven (waarbij genen, eiwitten en ruimtelijke posities samenwerken) eindelijk volledig op te lossen.

Het is een stap in de richting van een toekomst waarin we ziektes zoals kanker niet alleen begrijpen op het niveau van onze genen, maar ook precies zien hoe de machines in onze cellen (de eiwitten) zich gedragen en veranderen.

Technische samenvatting

Probleemstelling

Massaspectrometrie (MS) gebaseerde proteomica is essentieel geworden voor het onderzoeken van biologische systemen, maar de analyse van deze data kampt met ernstige fragmentatie. Bestaande tools voor data-verwerking (zoals DIA-NN, MaxQuant) en statistische analyse (zoals Perseus, MSstats) maken gebruik van verschillende dataformaten en scripting-omgevingen. Er ontbreekt een universeel, breed geaccepteerd datastructuurmodel. Dit leidt tot drie hoofdzaken:

1. Herhaling: Overlappende functionaliteit wordt constant opnieuw geïmplementeerd zonder gebruik te maken van gevestigde frameworks.
2. Hoge drempel: Onderzoekers moeten meerdere analyse-ecosystemen leren en onderhouden, wat de reproduceerbaarheid en correcte toepassing bemoeilijkt.
3. Moeizame integratie: Het integreren van proteomica met andere 'omics'-lagen (zoals transcriptomica) is complex zonder een gedeeld data-model.

In tegenstelling tot transcriptomica, waar het AnnData-formaat en het scanpy-ecosysteem de standaard zijn geworden voor single-cell en ruimtelijke analyses, ontbreekt een dergelijke gestandaardiseerde aanpak voor proteomica. Bovendien worden peptide-niveau analyses vaak genegeerd ten gunste van samengevatte proteïne-niveau data, terwijl peptide-patronen cruciale informatie kunnen bevatten over proteoform-regulatie en isoform-gebruik.

Methodologie

ProteoPy is een lichtgewicht Python-bibliotheek (versie ≥3.10) die is ontworpen om de AnnData-structuur toe te passen op bulk-proteomica op zowel proteïne- als peptide-niveau.

• Kernarchitectuur: De bibliotheek bouwt voort op de AnnData-klasse als centrale datastructuur, waardoor kwantitatieve matrices worden gekoppeld aan rijke metadata. Dit zorgt voor compatibiliteit met het uitgebreide scverse-ecosysteem (waaronder scanpy, muon, squidpy).
• API-Design: De syntaxis volgt de conventies van scanpy, met modules voor:
  • read: Data-import.
  • pp (preprocessing): Kwaliteitscontrole en normalisatie.
  • tl (tools): Analyse en inferentie.
  • pl (plotting): Visualisatie.
• Data-import: Ondersteunt import van kwantitatieve data (proteïne of peptide) vanuit tools zoals DIA-NN en andere tabulaire formaten. Metadata (klinisch, experimenteel, batch) en feature-metagegevens (gen-annotaties) worden direct samengevoegd in het AnnData-object.
• Preprocessing (pp): Biedt standaardroutines voor:
  • Kwaliteitscontrole (QC) op steekproef- en feature-niveau (bijv. missing values, variatie).
  • Normalisatie (standaard: median normalization).
  • Batch-correctie (integratie met ComBat via scanpy).
  • Imputatie van ontbrekende waarden via een verlaagde Gaussische verdeling (gebaseerd op de Perseus-methode).
  • Alle stappen worden opgeslagen als aparte 'layers' in AnnData voor volledige transparantie en reversibiliteit.
• Tools (tl):
  • Proteoform-inferentie: Een herschreven Python-implementatie van het eerder gepubliceerde COPF-algoritme. Dit algoritme gebruikt covariatiepatronen op peptide-niveau om groepen van proteoformen af te leiden, wat inzicht geeft in isoform-gebruik.
  • Downstream-analyse: Ondersteunt onbeheerde clustering, differentieel abundantie-testen (t-tests, ANOVA) met correctie voor multiple testing (Bonferroni, Benjamini-Hochberg). Resultaten worden direct in het AnnData-object opgeslagen.
• Visualisatie (pl): Biedt publicatie-klaar plots voor alle analysestappen.

Belangrijkste Bijdragen

1. Unificatie: ProteoPy brengt proteomica onder in het bewezen AnnData/scanpy-ecosysteem, wat interoperabiliteit met single-cell en multi-omics workflows mogelijk maakt.
2. Peptide-niveau Analyse: Het introduceert een toegankelijke methode om proteoform-groepen af te leiden direct vanuit peptide-data, wat dieper inzicht biedt dan traditionele proteïne-samenvattingen.
3. Gebruiksgemak: Door de API te aligneren met scanpy, wordt de leercurve voor onderzoekers die al bekend zijn met transcriptomica drastisch verlaagd.
4. Open Source: De bibliotheek is open source (Apache 2.0 licentie) op GitHub, inclusief tutorial notebooks voor reproduceerbaarheid.

Resultaten

De auteurs hebben ProteoPy getoetst aan twee representatieve MS-proteomica datasets:

1. Human Erythropoiesis (Karayel et al., 2020): Een volledige workflow werd gereproduceerd, van Spectronaut-output tot QC, normalisatie, imputatie en differentieel analyse op proteïne-niveau.
2. Mouse Tissue Dataset (Originele COPF-studie): Een re-analyse om de peptide-niveau functionaliteit en proteoform-inferentie te demonstreren. De resultaten werden succesvol gerepliceerd binnen een laagdrempelig en reproduceerbaar kader.

De analyses werden uitgevoerd met ProteoPy versie 0.1.1, waarbij Jupyter notebooks als supplement beschikbaar zijn gesteld.

Betekenis en Toekomstperspectief

ProteoPy vormt een fundamentele stap naar een gestandaardiseerde, reproduceerbare en schaalbare proteomica-analyse in Python.

• Integratie: Het maakt naadloze integratie van proteomica met andere 'omics'-lagen (via muon) mogelijk, wat essentieel is voor systembiologie.
• Toekomst: De architectuur biedt een solide basis voor de uitbreiding naar single-cell proteomica en ruimtelijk opgeloste proteomica, gebieden die momenteel nog in de kinderschoenen staan maar vergelijkbare uitdagingen kennen als transcriptomica.
• Toegankelijkheid: Het verlaagt de drempel voor niet-specialisten om geavanceerde proteomische analyses uit te voeren en bevordert de adoptie van peptide-niveau inzichten in regulatiemechanismen.

Kortom, ProteoPy lost het probleem van fragmentatie op door een gedeelde taal en datastructuur te bieden, vergelijkbaar met de revolutie die scanpy heeft teweeggebracht in de transcriptomica.