NovoTax: prokaryotic strain identification from mass spectrometry-based proteomics data

NovoTax is een end-to-end pipeline die prokaryote stammen direct identificeert uit ruwe proteomics-data via *de novo* peptidesequencing, waardoor een diepere analyse met traditionele zoekmachines mogelijk wordt.

De kern

NovoTax: De "DNA-Scanner" die je niet nodig hebt

Stel je voor dat je een grote, rommelige koffer vol kleding hebt gevonden. Normaal gesproken zou je om te weten wie de eigenaar is, eerst een lijst moeten hebben met alle kledingstukken van alle mogelijke eigenaren in de buurt. Dan vergelijk je stuk voor stuk: "Ah, dit blauwe overhemd staat in de lijst van meneer Jansen."

Maar wat als je die lijst niet hebt? Wat als je de eigenaar helemaal niet kent? Dan moet je de kledingstukken zelf bekijken, ze beschrijven en proberen te raden wie ze zou dragen. Dat is precies wat NovoTax doet, maar dan voor bacteriën en virussen in plaats van kleding.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het probleem: De "Gevangene zonder Naam"

In de wetenschap willen onderzoekers vaak weten welke bacterie in een monster zit (bijvoorbeeld in een ziekenhuismonster of een slootwater). Normaal gebruiken ze een methode waarbij ze de bacterie eerst "opzoeken" in een enorme digitale database, net als een telefoonboek. Maar als je een nieuwe of onbekende bacterie hebt, staat die niet in het telefoonboek. Dan is je zoektocht vastgelopen.

2. De oplossing: NovoTax, de slimme detective

NovoTax is een nieuwe computerprogramma dat geen telefoonboek nodig heeft. Het werkt als een slimme detective die direct naar de "bewijsstukken" kijkt.

• Stap 1: De "De Nieuwe" (De eerste schets)
  Het programma kijkt naar de ruwe data van een massaspectrometer (een machine die eiwitten meet). In plaats van te zoeken in een lijst, "tekent" het programma zelf een schets van de eiwitten die het ziet. Dit heet de novo sequencing. Het is alsof de detective de kledingstukken uit de koffer pakt en zegt: "Dit is een rode sok met een gat, gemaakt van wol."

• Stap 2: De Grote Zoektocht (De database)
  Nu heeft het programma een beschrijving van de kledingstukken. Het gaat nu op zoek in de GTDB (een gigantische digitale bibliotheek van alle bekende bacteriën).

  • De slimme truc: In plaats van de hele bibliotheek van 730.000 boeken tegelijk te doorzoeken (wat te lang duurt), zoekt het eerst alleen naar de "hoofdstukken" (geslachten). Als het een match vindt, zoomt het in op de "pagina's" (soorten) en uiteindelijk op de "regels" (stammen). Dit maakt het zoekproces razendsnel, alsof je eerst de stad zoekt, dan de straat, en pas daarna het huisnummer.

• Stap 3: De Identiteit
  Uiteindelijk kan NovoTax zeggen: "Deze bacterie is 99% hetzelfde als Streptomyces griseoincarnatus." Het geeft je zelfs de naam van de specifieke stam, zodat je precies weet met wie je te maken hebt.

3. Wat kan het allemaal? (De magische krachten)

• Het ontmaskeren van leugenaars: Soms denken onderzoekers dat ze bacterie A hebben, maar blijkt het eigenlijk bacterie B te zijn. NovoTax kijkt naar de feiten en zegt: "Nee, dit is niet wat je dacht." In tests bleek dat NovoTax vaak gelijk had, zelfs als de officiële naam in het lab verkeerd was.
• Het vinden van ongewenste gasten: Stel je voor dat je een perfecte taart bakt, maar er zit een vlieg in. NovoTax ruikt die vlieg. Het kan bacterieën vinden die per ongeluk in je monster zijn beland (verontreiniging), zelfs als ze maar een klein beetje aanwezig zijn.
• De "Kippenhok"-analyse: In een complex mengsel van veel verschillende bacteriën (zoals in de darmen of in de natuur) kan NovoTax de belangrijkste bewoners identificeren. Het zegt: "Hier zit vooral deze ene soort, en daar nog een paar andere."

Waarom is dit belangrijk?

Vroeger moest je eerst weten wat je had voordat je het goed kon bestuderen. NovoTax draait dit om: Je kunt nu de identiteit van een bacterie achterhalen, zelfs als je helemaal niet wist wat het was.

Het is alsof je een vreemde taal hoort spreken en NovoTax je direct de vertaling geeft, zonder dat je eerst een woordenboek nodig hebt. Dit helpt artsen sneller de juiste diagnose te stellen en wetenschappers nieuwe microben in de natuur te ontdekken.

Kortom: NovoTax is de sleutel die de deur opent naar de wereld van bacteriën, zonder dat je eerst de sleutel (de naam van de bacterie) hoeft te hebben.

Technische samenvatting

Probleemstelling

Traditionele proteomics-workflows op basis van massaspectrometrie (MS) vereisen doorgaans voorafgaande kennis van de sample-samenstelling om spectra te kunnen koppelen aan peptiden. Dit betekent dat onderzoekers vaak een specifieke database moeten hebben die de eiwitsequenties van de aanwezige organismen bevat.

• De beperking: Als het doel is om de abundantie van eiwitten te meten, maar de exacte stam of soort van het micro-organisme onbekend is, is een standaard zoekopdracht niet mogelijk zonder eerst de taxonomie te bepalen (bijv. via 16S rRNA-sequencing of whole-genome sequencing), wat een extra experimentele stap vereist.
• De huidige kloof: Hoewel er tools bestaan voor de novo peptidesequencing en taxonomische inferentie, ontbreekt er een geïntegreerde oplossing die direct start met ruwe MS-bestanden en een samplespecifieke eiwitdatabase genereert die klaar is voor gebruik in conventionele zoekengines.

Methodologie: Het NovoTax-pijplijn

NovoTax is een modulaire, end-to-end pijplijn die ruwe bottom-up proteomics-data omzet in een taxonomische identificatie op stamniveau. Het proces bestaat uit drie hoofdstappen:

1. De novo Sequencing:

   • Het systeem gebruikt standaard sequencers afhankelijk van de acquisitiemethode: XuanjiNovo voor Data-Dependent Acquisition (DDA) en Cascadia voor Data-Independent Acquisition (DIA).
   • Alleen peptiden met een voorspellingsscore van vertrouwen > 0,8 worden behouden.
   • Gebruikers kunnen ook eigen peptidetabellen invoeren als deze al beschikbaar zijn.

2. Database Peptide Matching (Geoptimaliseerd voor GTDB):

   • Zoekopdrachten worden uitgevoerd tegen de Genome Taxonomy Database (GTDB), die meer dan 732.000 proteomen bevat. Om de zoekruimte en het geheugengebruik te minimaliseren, wordt een gefaseerde strategie gebruikt:
     • Stap 1: Zoeken tegen een beperkte database van genus-representatieve soorten (reductie van ~2,4 miljard naar ~24 miljoen sequenties).
     • Stap 2: Zodra het genus is geïdentificeerd, zoeken tegen alle soorten-representanten binnen die familie.
     • Stap 3: Zoeken tegen alle stammen binnen de geïdentificeerde soort.
   • Technische nuance: Isoleucine wordt in zowel de peptidelijst als de database geconverteerd naar leucine om verwarring tussen deze isomeren te voorkomen.

3. Taxonomische Toewijzing:

   • Voor elk peptide wordt een score berekend (aligneringskwaliteit / aantal匹配的 proteomen) om minder informatieve peptiden die op meerdere proteomen matchen, te straffen.
   • De zoekopdracht is iteratief: na het selecteren van het best scorende proteoom (genus), worden de gematchte peptiden verwijderd en wordt de zoekopdracht herhaald met de resterende peptiden.
   • Stopconditie: Het proces stopt als de genus-score onder de empirisch vastgestelde drempel van 1.402 zakt. Dit voorkomt dat het algoritme doorgaat met ruis of slechte voorspellingen.

Belangrijkste Bijdragen

• End-to-End Integratie: NovoTax is de eerste tool die ruwe MS-data direct omzet in een taxonomische identificatie en een bijbehorende eiwitdatabase (FASTA) voor downstream analyse.
• Stam-niveau Identificatie: Het kan onderscheid maken tussen zeer nauw verwante stammen binnen een soort, wat cruciaal is voor de nauwkeurige weergave van geninhoud in prokaryoten.
• Contaminatie-herkenning: Het algoritme is ontworpen om meerdere organismen in een sample te detecteren door iteratief te zoeken naar de meest abundant aanwezige stammen en vervolgens de resterende peptiden opnieuw te analyseren.
• Toegankelijkheid: De software is open-source (GitHub), verpakt in Docker-containers en biedt duidelijke kwaliteitscores, waardoor het toegankelijk is voor niet-experts.

Resultaten en Validatie

De prestaties van NovoTax werden getest op publieke datasets (PRIDE) met zowel enkelvoudige soorten als complexe gemeenschappen:

• Enkelvoudige Soorten Benchmark:

  • Op een dataset van 51 bacteriesoorten (235 bestanden) identificeerde NovoTax in 90,2% van de gevallen de correcte soort.
  • In gevallen waar de gerapporteerde soort niet exact matchte, bleek NovoTax vaak de juiste stam te hebben geïdentificeerd. Traditionele proteomics-zoekopdrachten toonden aan dat >30% van de peptiden uniek matchte met de door NovoTax geïdentificeerde proteoom, terwijl <2% matchte met de oorspronkelijk gerapporteerde soort. Dit suggereert dat de oorspronkelijke annotaties vaak onjuist waren.
  • Voor 84,4% van de stamen met een bekende stamannotatie werd een gemiddelde nucleotide-identiteit (ANI) van >99,5% gevonden tussen de gerapporteerde en de geïdentificeerde stam.
  • Contaminatie: In samples met Streptomyces venezuelae en Halomonas sp. werd na de eerste iteratie een tweede soort gedetecteerd die verantwoordelijk bleek voor >39% van de peptiden, wat wijst op een verborgen contaminant.

• Bacteriële Gemeenschappen:

  • In een simpele gemeenschap van 8 soorten identificeerde NovoTax 5 soorten die samen >99% van de peptiden vertegenwoordigden.
  • In een complexere gemeenschap (96-uurs tijdstippen) identificeerde het 11 soorten, waarvan 9 tot de meest abundant aanwezige soorten behoorden.
  • Er werd opgemerkt dat DIA-data (Data-Independent Acquisition) iets minder nauwkeurige toewijzingen opleverde dan DDA-data, wat een uitdaging blijft voor sequentie-algoritmen op deze data.

Significantie

NovoTax biedt een revolutionaire aanpak voor de microbiële proteomics:

1. Kwaliteitscontrole: Het stelt onderzoekers in staat om snel te verifiëren of het juiste micro-organisme wordt geanalyseerd en of er geen contaminanten aanwezig zijn, voordat kostbare downstream analyses worden uitgevoerd.
2. Onbekende Diversiteit: Het maakt het mogelijk om microbiële diversiteit in complexe gemeenschappen te ontdekken zonder voorafgaande kennis van de samenstelling.
3. Verbeterde Downstream Analyse: Door de juiste stam-database te leveren, verbetert het de nauwkeurigheid van kwantitatieve proteomics-studies aanzienlijk, wat essentieel is voor het begrijpen van genexpressie en functionele eigenschappen van bacteriën.

Kortom, NovoTax sluit de kloof tussen ruwe massaspectrometrie-data en biologische interpretatie, en democratiseert de taxonomische identificatie van prokaryoten.