DIA-NN EasyFilter workflow for the fast and user-friendly critical assessment and visualization of DIA-NN proteomics analysis outcome

O artigo apresenta o DIA-NN EasyFilter (DEF), um fluxo de trabalho baseado no KNIME que oferece uma solução rápida e amigável para filtragem, avaliação crítica e visualização dos resultados de análises proteômicas realizadas com o DIA-NN, permitindo que usuários sem habilidades de programação interpretem dados complexos de forma eficaz.

O essencial

Imagine que você é um chef de cozinha de renome (o cientista) que acabou de preparar um prato complexo e delicioso (a análise de proteínas no laboratório). Você tem uma lista de ingredientes e sabores, mas a lista veio em um formato estranho, cheio de códigos e abreviações que só o "chef" original entende. É como receber uma receita escrita em um código secreto: você sabe que o prato é bom, mas não consegue ver exatamente o que tem nele ou ajustar o tempero sem ser um programador expert.

É exatamente esse o problema que o artigo "DIA-NN EasyFilter" (ou DEF, como os autores o chamam carinhosamente) resolve.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: A "Caixa Preta" de Dados

Na ciência moderna, os cientistas usam máquinas superpotentes (chamadas espectrômetros de massa) para "fotografar" todas as proteínas de uma amostra (como sangue ou células). O software mais famoso para ler essas fotos é o DIA-NN.

O problema? O DIA-NN entrega o resultado final em um arquivo chamado PARQUET. Pense no PARQUET como um baú trancado e compactado. Ele é eficiente e pequeno, mas para abrir e ver o que tem dentro, você precisa saber programar (falar a língua dos computadores). Se você não for um programador, fica com o baú na mão, sem saber se o prato está salgado, doce ou estragado.

2. A Solução: O "Filtro Fácil" (DEF)

Os autores criaram uma ferramenta chamada DEF (DIA-NN EasyFilter).

• A Analogia: Imagine que o DEF é um robô de cozinha inteligente e amigável que você pode colocar na sua bancada (seu computador).
• Como funciona: Em vez de ter que escrever código para abrir o baú, você simplesmente arrasta e solta os arquivos no robô. O robô abre o baú, organiza os ingredientes, remove o que está estragado e te mostra uma mesa bonita com gráficos coloridos.

3. O Que o Robô Faz? (Os Filtros Mágicos)

O robô não apenas abre o baú; ele ajuda a escolher o que é bom para o seu prato. Ele tem três "filtros" principais:

• O Filtro de Qualidade (O Chefe de Cozinha): Ele verifica se cada proteína foi identificada com certeza. Ele pede: "Você tem certeza de que é isso? Mostre-me pelo menos duas provas (peptídeos) ou uma prova muito forte (peptídeo proteotípico)". Se não tiver provas suficientes, ele joga fora.
• O Filtro de "Lixo" (A Limpeza): Em qualquer laboratório, às vezes cai um pouco de poeira ou sujeira na amostra (contaminantes). O robô tem uma lista de "vilões" conhecidos (como bactérias que não deveriam estar lá ou proteínas humanas comuns que atrapalham). Ele varre a mesa e remove tudo o que não é o ingrediente principal.
• O Filtro Visual (O Prato Bonito): Depois de limpar, ele gera gráficos. Em vez de tabelas chatas com milhares de linhas, você vê barras, pizzas e linhas coloridas que mostram: "Olha, nesta amostra temos muita proteína X, e naquela temos pouca". É como ver a foto final do prato antes de servir.

4. A Prova de Fogo (Os Casos de Estudo)

Os autores testaram esse robô em quatro situações diferentes (os "Casos 1 a 4"):

1. Células humanas: Eles compararam o que o robô fez com o que os cientistas originais fizeram. O robô foi tão bom quanto, e até um pouco melhor em alguns detalhes.
2. Mistura de ratos e leveduras: Eles misturaram proteínas de ratos com levedura (como misturar farinha e açúcar) para ver se o robô conseguia separar quem era quem. Ele conseguiu perfeitamente.
3. Máquinas diferentes: Eles usaram máquinas de laboratório de marcas diferentes para ver se o robô funcionava em qualquer lugar. Funcionou!
4. Células de gordura (O caso real): Eles analisaram células de gordura de um bebê com uma condição genética rara. O robô ajudou a descobrir quais proteínas mudavam quando a célula amadurecia ou quando era exposta a gordura. Isso é crucial para entender doenças.

5. Por que isso é importante para você?

Antes do DEF, só os "gênios da programação" podiam analisar esses dados complexos. Com o DEF, qualquer cientista (ou estudante) que não sabe programar pode:

• Verificar se os dados estão bons.
• Tirar o "lixo" da amostra.
• Entender o que está acontecendo visualmente.

Em resumo:
O artigo apresenta um guia de instruções visual (feito no programa KNIME) que transforma dados de laboratório complicados e ilegíveis em informações claras e bonitas. É como transformar uma caixa de peças de Lego soltas e bagunçadas em um castelo montado, pronto para ser admirado, sem que você precise saber como a cola funciona.

Isso democratiza a ciência, permitindo que mais pessoas entendam e usem os resultados dessas análises complexas para descobrir coisas novas sobre a saúde e a vida.

Resumo técnico

Título do Trabalho

Fluxo de Trabalho DIA-NN EasyFilter (DEF) para Avaliação Crítica Rápida e Amigável e Visualização de Resultados de Análise Proteômica DIA-NN

---

1. O Problema

A proteômica baseada em espectrometria de massa (LC-MS/MS), especialmente com aquisição independente de dados (DIA), tornou-se uma ferramenta padrão para caracterização quantitativa de proteínas. O DIA-NN é amplamente reconhecido por seu desempenho superior na identificação e quantificação. No entanto, o principal gargalo identificado pelos autores é o formato de saída do DIA-NN: arquivos PARQUET.

• Barreira Técnica: Os arquivos PARQUET são compactados e comprimidos, exigindo conhecimento de programação (ex: bibliotecas PyArrow em Python ou R) para serem interrogados e filtrados adequadamente.
• Limitações de Soluções Existentes:
  • Soluções baseadas em R (como MSDAP, DIAgiu) são poderosas, mas exigem proficiência em codificação, o que exclui muitos usuários finais.
  • Ferramentas como o Skyline exigem análise manual intensiva e parametrização.
  • Plataformas low-code como o Galaxy são menos flexíveis para workflows altamente personalizados em comparação com o KNIME.
• Necessidade: Existe uma lacuna crítica para uma ferramenta que permita a filtragem abrangente, avaliação de qualidade e visualização interativa de dados DIA-NN sem exigir habilidades de programação, especialmente para estudos de grande escala (One Health).

---

2. Metodologia

Os autores desenvolveram o DIA-NN EasyFilter (DEF), um fluxo de trabalho baseado na plataforma KNIME Analytics Platform (versão 5.4.3), projetado para rodar localmente em desktops.

Componentes Principais do Workflow:

• Entrada de Dados: O workflow aceita arquivos de saída do DIA-NN (PARQUET ou TSV), matrizes de grupos de proteínas (pg.matrix) e relatórios opcionais de Cromatografia de Íons Extraídos (XIC).
• Módulos de Filtragem Modular:
  1. Filtro XIC: Se os dados XIC estiverem disponíveis, o workflow extrai íons fragmentos (b e y) e retém apenas peptídeos suportados por pelo menos quatro íons consecutivos (b ou y), aumentando a confiança na identificação.
  2. Filtro de Contaminantes: Integra listas curadas de contaminantes (MaxQuant, cRAP e a lista atualizada do Grupo Hao). Permite ao usuário carregar listas personalizadas.
  3. Seletor de Tarefa (Inferência de Proteínas): Oferece duas estratégias de inferência para Grupos de Proteínas (PGs):
     • Regra de 2 peptídeos únicos.
     • Regra baseada em peptídeos proteotípicos (peptídeos específicos da proteína).
  4. Filtro de Quantidade: Aplica limiares de qualidade (Q-Value ≤ 0.05 para PGs, ≤ 0.01 para bibliotecas). Valores que não atendem aos critérios de quantificação são marcados como "nan" ou substituídos por um valor arbitrário, em vez de serem excluídos, permitindo análise de presença/ausência.
• Visualização Interativa:
  • Gráficos de barras para contagem de PGs.
  • Gráficos de pizza para distribuição de intensidade (incluindo contaminantes).
  • Gráficos de Coordenadas Paralelas: Permitem visualizar a consistência da identificação (binário: 0/1) e padrões de abundância relativa entre amostras.
  • Exportação de dados formatada para o MetaboAnalyst.

---

3. Contribuições Chave

• Acessibilidade: Democratiza a análise de dados DIA-NN para pesquisadores sem formação em bioinformática ou programação, utilizando uma interface visual (KNIME).
• Flexibilidade de Inferência: Permite alternar facilmente entre regras de inferência de proteínas (2 peptídeos vs. proteotípicos) e estratégias de filtragem de contaminantes.
• Integração de XIC: Oferece um método automatizado para filtrar peptídeos com base na qualidade do cromatograma (íons consecutivos), algo que geralmente requer inspeção manual no Skyline.
• Velocidade e Eficiência: O workflow foi otimizado para processar grandes relatórios (dezenas de milhões de linhas) em minutos.
• Reprodutibilidade: Fornece um fluxo de trabalho padronizado e transparente, facilitando a comparação entre estudos e instrumentos.

---

4. Resultados

Os autores validaram o DEF através de quatro estudos de caso utilizando dados públicos e dados laboratoriais próprios:

• Caso 1 (HEK293): Reanálise de dados de células renais humanas. O DEF produziu resultados comparáveis à publicação original (mais de 4.200 PGs), com alta reprodutibilidade técnica (CV mediano ~6.6-6.9%).
• Caso 2 (Mouse/Yeast Spike-in): Comparação entre instrumentos (Thermo QE HF vs. Bruker timsTOF Pro) e bibliotecas (Universal vs. Library-free). O DEF demonstrou alta similaridade com os resultados originais e, em alguns casos, melhorou a reprodutibilidade quantitativa (CVs entre 4.35% e 10.28%).
• Caso 3 (Mistura Tri-espécie - HYE124): Avaliação de diferentes instrumentos (Sciex TripleTOF 5600 vs. 6600) e janelas SWATH. O DEF superou outras ferramentas (Spectronaut, Skyline, OpenSWATH, DIA-Umpire) em termos de número de proteínas identificadas, confirmando a superioridade do DIA-NN, e processou um lote de 35 amostras em menos de 14 minutos.
• Caso 4 (Adipócitos SGBS): Estudo biológico próprio diferenciando adipócitos pré e maduros (com e sem palmitato).
  • Identificação de centenas de PGs com alta confiança.
  • Análise estatística no MetaboAnalyst revelou proteínas diferencialmente abundantes (ex: citocromo c oxidase, serotransferrina) e vias enriquecidas (metabolismo de carbono, remodelação do citoesqueleto).
  • Visualização clara da separação entre pré-adipócitos e adipócitos maduros via PCA.

---

5. Significado e Conclusão

O DIA-NN EasyFilter (DEF) preenche uma lacuna crítica no ecossistema de proteômica, permitindo que usuários finais realizem pós-processamento complexo de dados DIA-NN de forma rápida, reprodutível e sem codificação.

• Impacto Científico: Facilita a adoção de abordagens "One Health" e estudos clínicos de grande escala, onde a análise manual é inviável e a barreira de entrada para ferramentas de linha de comando é alta.
• Validação: A capacidade do workflow de reproduzir resultados de estudos publicados e, ao mesmo tempo, oferecer visualizações interativas e filtros avançados (como XIC e listas de contaminantes personalizadas) valida sua robustez.
• Futuro: Embora atualmente limitado ao formato de saída do DIA-NN e ao ambiente local KNIME, o trabalho estabelece uma base sólida para futuras expansões que incluam mais formatos de entrada e algoritmos de quantificação alternativos.

Em suma, o DEF transforma a saída técnica e complexa do DIA-NN em dados biologicamente interpretáveis, empoderando pesquisadores de diversas áreas a realizar análises proteômicas de ponta.