Importance of taking Single Amino Acid Variant and accessory proteome variability into account in Data Independent Acquisition Proteomics: illustrated with Legionella pneumophila analysis

Dit onderzoek toont aan dat het integreren van allelische variabiliteit en accessoire proteoomvariatie in DIA-proteomica-analyses van *Legionella pneumophila* de proteoomdekking en identificatiebetrouwbaarheid aanzienlijk verbetert, waardoor een nauwkeuriger proteotypen mogelijk wordt.

De kern

De Legioenen-Identiteitszaak: Waarom een simpele paspoortcheck niet genoeg is

Stel je voor dat je een grote groep mensen (in dit geval bacteriën, specifiek Legionella pneumophila) moet identificeren. Deze bacteriën kunnen ernstige longontstekingen veroorzaken. De wetenschappers in dit onderzoek wilden weten: "Wie zit er precies in deze groep en wat maken ze allemaal?"

Vroeger deden ze dit met een simpele methode: ze hadden één "standaardpaspoort" (een referentiedatabase) en keken of de bacteriën daarop leken. Maar net zoals mensen op een festival allemaal een beetje anders zijn (andere haarkleur, een litteken, een andere kledingstijl), zijn bacteriën ook niet allemaal exact hetzelfde. Ze hebben kleine variaties in hun DNA, wat leidt tot kleine verschillen in hun eiwitten.

Hier is hoe dit onderzoek die problemen oplost, vertaald naar alledaagse taal:

1. Het probleem: De "Standaardpaspoort" is te star

Stel je voor dat je een politieagent bent die op zoek is naar een verdachte. Je hebt een foto van de verdachte in je dossier (de referentiedatabase). Als de verdachte een baard heeft, maar op de foto is hij kaal, herken je hem misschien niet. Of als hij een andere hoed draagt, denk je misschien dat het een andere persoon is.

In de wetenschap noemen ze dit DIA-proteomica. Ze proberen alle eiwitten in een bacterie te "scannen" en te vergelijken met een lijst. Als je alleen kijkt naar de standaardlijst (de kale foto), mis je de bacteriën met de "baard" (de variaties) of denk je dat ze er niet zijn. Of erger: je denkt dat iemand de verdachte is, terwijl het een onschuldige imitator is (een vals positief resultaat).

2. De oplossing: Een slimme "Clustering"

De onderzoekers (Agnès, Marine en hun team) bedachten een slimme manier om dit op te lossen. In plaats van één foto te gebruiken, maakten ze een dynamische familiealbum.

• De Familiegroepen: Ze namen 15 verschillende bacteriestammen en keken naar hun DNA. Ze groepeerden de eiwitten in "familiegroepen". Denk aan een groep "broers en zussen". Ze hebben allemaal dezelfde basis (de canonieke vorm), maar sommige hebben een klein verschil, zoals een verkleurde neus of een ander gebit (de varianten).
• De Database: Ze bouwden een database die niet alleen de "standaardbroer" kent, maar ook alle zijn "broers met een baard" en "zusjes met een hoed".

3. De Analogie van de "Chimère" (Het Kruiswoordpuzzel-trucje)

Een groot probleem bij zo'n uitgebreide database is dat het heel lang duurt om alles te scannen. Het is alsof je een hele bibliotheek moet doorzoeken om één boek te vinden.

De onderzoekers bedachten een slimme truc: De Chimère.
Stel je voor dat je in plaats van 100 verschillende boeken over "broers en zussen", één groot boek maakt waarin je alle unieke zinnen uit die 100 boeken in één lange tekst hebt samengevoegd. Je noemt dit een "chimère" (een mythisch dier dat uit verschillende dieren bestaat).

• Het voordeel: De computer hoeft niet meer 100 boeken te lezen, maar slechts één.
• Het resultaat: De computer vindt nog steeds alle unieke zinnen (de variaties), maar werkt 3 keer sneller. Het is alsof je een samenvatting maakt van alle variaties zonder de details te verliezen.

4. Wat ontdekten ze?

Toen ze deze nieuwe methode toepasten op de 15 bacteriestammen, gebeurde er iets moois:

• Meer details: Ze vonden veel meer eiwitten dan met de oude methode. Het was alsof ze ineens de "baard" en de "hoed" zagen die ze eerder misten.
• Betere identiteitscontrole: Ze konden precies zien welke variatie bij welke bacterie hoorde. Dit helpt artsen en onderzoekers om beter te begrijpen waarom sommige bacteriën gevaarlijker zijn dan andere.
• Geen vals alarm: Ze zorgden ervoor dat ze niet per ongeluk een onschuldige bacterie verwarren met een gevaarlijke variant. De methode was streng genoeg om fouten te voorkomen.

5. Een concreet voorbeeld: De Ribosoom

In het paper geven ze een mooi voorbeeld van een eiwit dat ze "30S ribosoom S1" noemen.

• Bij de meeste bacteriën heeft dit eiwit een bepaalde vorm.
• Bij één specifieke bacterie (isolaat 10) is er één klein lettertje veranderd in het eiwit (een aminozuur-variant).
• Met de oude methode dachten ze: "Ah, dit is de standaardversie."
• Met hun nieuwe methode zagen ze: "Nee, wacht! Dit is de variant met de verandering."
  Dit lijkt klein, maar in de wereld van bacteriën kan zo'n klein verschil betekenen dat de bacterie resistent is tegen antibiotica of juist niet.

Conclusie: Waarom is dit belangrijk?

Dit onderzoek laat zien dat we niet meer kunnen volstaan met "standaardmodellen" als we bacteriën willen begrijpen. Net zoals je niet iedereen in een stad kunt beschrijven met één enkele beschrijving ("Iedereen draagt een blauw shirt"), moet je kijken naar de individuele variaties.

Door slimme software en een slimme manier van groeperen (clustering) te gebruiken, kunnen wetenschappers nu:

1. Sneller werken (dankzij de chimère-truc).
2. Preciezer zijn (ze zien de kleine variaties).
3. Bacteriën beter "profielen" (ze kunnen zeggen: "Dit is niet zomaar Legionella, dit is Legionella met deze specifieke eigenschappen").

Dit helpt uiteindelijk om ziektes sneller te diagnosticeren en beter te behandelen. Het is een stap van "groot en vaag" naar "klein en precies".

Technische samenvatting

Titel: Het belang van het meenemen van Single Amino Acid Variants (SAAV) en variabiliteit in het accessoire proteoom in Data Independent Acquisition (DIA) Proteomica: geïllustreerd met analyse van Legionella pneumophila

Auteurs: Agnès Dupas, Marine Ibranosyan, Christophe Ginevra, Sophie Jarraud, Jérôme Lemoine.

---

1. Het Probleem

In de proteomica, en specifiek bij Data Independent Acquisition (DIA), is het identificeren van eiwitten afhankelijk van het vergelijken van experimentele spectra met een voorspelde database (spectrale bibliotheek).

• Beperking van referentie-databases: Traditionele workflows gebruiken vaak een enkele referentie-proteoom (bijv. van een standaardstam). Dit leidt tot identificatiebias, omdat varianten (Single Amino Acid Variants - SAAV) of eiwitten afkomstig van het accessoire genoom (uniek voor specifieke stammen) niet in de database staan.
• Het compromis tussen grootte en nauwkeurigheid: Het toevoegen van variabiliteit aan databases vergroot de zoekruimte. Dit kan leiden tot een toename van valse negatieven (minder geïdentificeerde eiwitten) bij een vaste False Discovery Rate (FDR) omdat de drempelwaarde voor scores stijgt. Echter, het gebruik van een te kleine database leidt tot valse positieven door het toewijzen van peptiden aan verkeerde, maar vergelijkbare, referentie-eiwitten.
• Uitdaging: Er is een methode nodig die alle genetische variabiliteit (allelische mutaties en accessoire genen) integreert zonder de identificatiebetrouwbaarheid te verliezen of de rekenkracht onnodig te belasten.

2. Methodologie

De auteurs ontwikkelden een nieuwe analytische workflow voor Legionella pneumophila (15 isolaten, inclusief referentiestammen en klinische isolaten).

• Genomische Data: Gebruik van Whole Genome Sequencing (WGS) data (Illumina en Nanopore) van 15 isolaten.
• Clustering en Database Bouw:
  • Proteïne-sequenties werden gealigneerd en geklusterd met MMseqs2.
  • Parameters: 80% sequentie-coverage en 80% sequentie-identiteit (geoptimaliseerd na vergelijking met "oude" en "nieuwe" Nanopore chemie om sequencing-fouten te minimaliseren).
  • Resultaat: Een database (varDB) met "canonieke" eiwitten (groepen) en hun specifieke "variantsequenties".
• Peptide Classificatie: Peptiden werden ingedeeld in drie categorieën:
  1. Variant-specifiek: Alleen aanwezig in één variant.
  2. Canoniek-specifiek: Aanwezig in alle varianten van een canoniek eiwit.
  3. Niet-specifiek: Gedeeld tussen verschillende canonieke eiwitten.
• DIA-NN Workflow:
  • Data werden gegenereerd met een Sciex ZenoTOF 7600 in SWATH/DIA-modus.
  • Twee spectrale bibliotheken werden gegenereerd:
    • refSL: Gebaseerd op de standaard referentiestam (Paris).
    • varSL: Gebaseerd op de variabele database (varDB).
  • Proteïne-inferentie: Een aangepaste logica werd toegepast waarbij een canoniek eiwit wordt geïdentificeerd bij detectie van minimaal twee canoniek-specifieke peptiden. Een specifieke variant wordt geïdentificeerd bij detectie van minstens één variant-specifiek peptide (plus één canoniek-specifiek peptide).
• Optimalisatie (Chimere Sequenties): Om de rekentijd te verkleinen zonder informatie te verliezen, werd een chimerische spectrale bibliotheek (varSL-Chim) ontwikkeld. Hierbij worden alle peptiden van een canonieke eiwitgroep samengevoegd tot één "chimere" sequentie voor de DIA-NN zoekopdracht, terwijl de inferentie later nog steeds gebeurt op basis van de volledige varDB.

3. Belangrijkste Bijdragen

1. Workflow voor Variabiliteit: Een robuuste methode om allelische variatie en accessoire proteomen te integreren in DIA-analyses via clustering en gespecialiseerde peptide-classificatie.
2. Validatie van SAAV-detectie: Aantonen dat DIA-NN, bij gebruik van een aangepaste database, in staat is om zeer vergelijkbare peptiden (met enkele aminozuurmutaties) te onderscheiden, zelfs als ze "homeometrisch" zijn (gedeelde fragmenten).
3. Reken-efficiëntie: De introductie van chimere sequenties voor de spectrale bibliotheek reduceert de databasegrootte met een factor 3 en de verwerkingstijd met bijna 4 uur voor 45 samples, zonder in te leveren op identificatie-accuraatheid.
4. Proteotyping: Een nieuwe aanpak voor het typeren van bacteriële stammen op basis van hun proteomische variabiliteit, die beter correleert met genoomdata dan traditionele methoden.

4. Resultaten

• Identificatieverbetering: Het gebruik van de variabele database (varDB) leidde tot een gemiddelde toename van 6% in het aantal geïdentificeerde canonieke eiwitten (tot wel 23% bij sterk afwijkende stammen) vergeleken met de referentie-database.
• Variant-detectie: Tussen 28% en 77% van de geïdentificeerde canonieke eiwitten kon worden toegeschreven aan een specifieke variantsequentie per stam.
• Betrouwbaarheid:
  • Valse positieven voor canonieke eiwitten waren extreem laag (0,06% - 0,16%).
  • Valse positieven voor varianten waren iets hoger (1% - 2,5%), voornamelijk door peptiden met een zeer laag signaal, maar bleef binnen aanvaardbare grenzen.
• Case Study (Ribosomaal eiwit S1): Een specifiek voorbeeld toonde aan dat de referentie-database een mutatie (Glu -> Asp) in isolaat 10 niet kon detecteren en dit ten onrechte als de referentie-sequentie aanwees. De variabele database identificeerde correct de mutatie.
• Proteotyping: De op variabiliteit gebaseerde proteomische clustering (Jaccard-afstanden) resulteerde in een dendrogram dat sterk overeenkwam met de genoom-gebaseerde clustering, terwijl de referentie-database faalde in het onderscheiden van specifieke stammen.
• Efficiëntie: De chimere bibliotheek (varSL-Chim) leverde exact dezelfde identificaties op als de volledige variabele bibliotheek, maar was aanzienlijk sneller in het genereren en verwerken.

5. Betekenis en Conclusie

De studie demonstreert dat het negeren van allelische variabiliteit en accessoire genen in DIA-proteomica leidt tot een onvolledig beeld van het bacteriële proteoom en interpretatiefouten veroorzaakt.

• Biologisch inzicht: De methode stelt onderzoekers in staat om niet alleen differentieel expressie te analyseren, maar ook mutaties en de aanwezigheid van specifieke stammen te detecteren.
• Klinische toepassing: Het biedt een krachtig hulpmiddel voor proteotyping van Legionella pneumophila, wat essentieel is voor epidemiologisch onderzoek en het begrijpen van virulentie en resistentie.
• Generaliseerbaarheid: De workflow is ontworpen om eenvoudig toepasbaar te zijn op andere bacteriële soorten, waardoor het een standaard kan worden voor nauwkeurige, stam-specifieke proteomische analyses.

Kortom, door variabiliteit te integreren in de zoekruimte en slimme inferentiestrategieën toe te passen, kan de dekking en nauwkeurigheid van proteomische studies aanzienlijk worden verbeterd zonder de betrouwbaarheid te verliezen.