DiaReport: Reproducible Workflow for Differential Expression Analysis and Interactive Reporting in DIA-based Proteomics

O artigo apresenta o DiaReport, um pacote R de código aberto que oferece um fluxo de trabalho reprodutível para análise de expressão diferencial e geração de relatórios interativos em proteômica baseada em aquisição independente de dados (DIA), integrando processamento de dados, modelagem estatística e visualização em um único sistema.

O essencial

Imagine que você é um chef de cozinha tentando descobrir qual tempero faz a diferença entre dois pratos deliciosos. Você tem centenas de ingredientes (proteínas) e quer saber exatamente quais mudaram de sabor quando você trocou o método de cozimento.

No mundo da ciência, isso é chamado de proteômica. Os cientistas usam máquinas gigantes (espectrômetros de massa) para "provar" milhares de proteínas de uma vez. Mas aqui está o problema: transformar esses dados brutos em uma história clara e confiável é como tentar montar um quebra-cabeça de 10.000 peças no escuro, sem saber se a foto final vai ficar correta.

É aí que entra o DiaReport, a ferramenta apresentada neste artigo. Vamos explicar como ele funciona usando algumas analogias simples:

1. O Problema: O Caos na Cozinha

Antes do DiaReport, os cientistas tinham que usar várias ferramentas diferentes:

• Uma para ler os dados brutos (como ler a receita).
• Outra para limpar os dados (tirar as cascas e sementes).
• Uma terceira para fazer as contas matemáticas (saber o que mudou).
• E uma quarta para fazer o relatório final (o prato pronto).

O problema é que cada ferramenta falava uma "língua" diferente. Se você mudasse um passo no meio do caminho, todo o processo precisava ser reiniciado, e era muito fácil cometer erros ou esquecer como chegou àquele resultado. Era como tentar seguir uma receita onde você precisa trocar de panela, de fogão e de livro de receitas a cada 5 minutos.

2. A Solução: O "Robô-Chef" DiaReport

Os autores criaram o DiaReport, que é como um robô-chef superinteligente que faz tudo isso em um único passo.

• Tudo em Um Só Lugar: Você joga os dados brutos na "boca" do robô (os dados do software DIA-NN) e ele faz tudo sozinho: limpa, organiza, calcula e escreve o relatório.
• A "Caixa Preta" Transparente: Diferente de outros métodos onde você não sabe o que aconteceu dentro da caixa, o DiaReport guarda todas as receitas (configurações) e os ingredientes usados em uma pasta organizada. Se alguém quiser repetir o experimento daqui a 5 anos, basta pegar essa pasta e o robô fará exatamente a mesma coisa. Isso é o que os cientistas chamam de reprodutibilidade.

3. O Relatório Interativo: O Prato que Você Pode "Provar"

A parte mais legal é o resultado final. Em vez de receber um relatório de papel estático e chato (como uma lista de números), o DiaReport entrega um site interativo (um arquivo HTML).

Imagine que você recebe um livro de receitas, mas em vez de apenas ler, você pode:

• Clicar em um gráfico e ver os dados se moverem.
• Filtrar os ingredientes para ver apenas os que você gosta.
• Girar uma imagem 3D dos dados para ver de todos os ângulos.

O DiaReport cria esse "livro vivo" automaticamente. Ele tem até "modelos" (templates) diferentes:

• Modelo Básico: Para quem só quer saber o básico (o que mudou?).
• Modelo EV (Vesículas Extracelulares): Um modelo especial para cientistas que estudam "bolinhas" que as células soltam (vesículas extracelulares). Ele sabe exatamente quais "marcadores" procurar, como um detetive que sabe exatamente onde procurar as pistas.

4. O Teste de Fogo: A Prova do Pão

Para mostrar que o robô funciona, os cientistas fizeram dois testes:

1. O Teste de Controle (UPS2): Eles misturaram proteínas conhecidas em quantidades exatas. O DiaReport conseguiu identificar perfeitamente quais estavam lá e em que quantidade. Foi como pedir ao robô para contar 100 moedas e ele contar 100 moedas corretamente.
2. O Teste Real (Vesículas): Eles compararam duas formas diferentes de coletar essas "bolinhas" celulares. O DiaReport descobriu rapidamente que um método (filtragem) era muito mais limpo e produzia menos "sujeira" (contaminantes) do que o outro (centrifugação). Ele mostrou isso com gráficos coloridos e fáceis de entender, permitindo que os cientistas tomassem decisões rápidas.

Resumo da Ópera

O DiaReport é como um assistente pessoal mágico para cientistas de proteínas.

• Antes: Era um trabalho manual, lento e propenso a erros, onde cada cientista tinha sua própria maneira de fazer as coisas.
• Agora: É um fluxo de trabalho padronizado, rápido e transparente. Você coloca os dados, o robô faz a mágica e entrega um relatório bonito, interativo e que qualquer pessoa pode verificar.

Isso significa que cientistas com menos conhecimento em programação podem fazer análises complexas com a mesma qualidade dos especialistas, e todos podem confiar que os resultados são verdadeiros e podem ser repetidos por qualquer pessoa no mundo. É um passo gigante para tornar a ciência mais acessível e confiável!

Resumo técnico

1. O Problema

A aquisição independente de dados (DIA) tornou-se o método preferido para proteômica baseada em espectrometria de massas devido à sua capacidade de fragmentar sistematicamente íons peptídicos, permitindo uma quantificação mais robusta e uma maior cobertura de peptídeos. Embora ferramentas como o DIA-NN sejam padrão para quantificação e pacotes R como MSqRob e MSstats ofereçam frameworks estatísticos sólidos para análise de expressão diferencial (DE), existe uma lacuna crítica:

• Falta de Fluxos de Trabalho Integrados: Poucas ferramentas integram a quantificação, o processamento de dados, a modelagem estatística e a geração de relatórios em um único fluxo de trabalho automatizado e reprodutível.
• Dificuldade de Reprodutibilidade: Muitas análises atuais dependem de scripts ad hoc ou objetos de dados não estruturados, dificultando a reprodução exata dos resultados e a interoperabilidade com ferramentas downstream.
• Relatórios Limitados: Ferramentas existentes para visualização interativa muitas vezes dependem de aplicações Shiny externas (que requerem servidores ativos) ou não fornecem relatórios HTML autocontidos e portáteis que liguem visualizações diretamente à versão específica da análise.

2. Metodologia

O artigo apresenta o DiaReport, um pacote R de código aberto projetado para preencher essas lacunas. A metodologia baseia-se nos seguintes pilares:

• Entrada de Dados: O fluxo aceita a saída do DIA-NN (formato Parquet ou TSV) e um arquivo de design experimental (EDF) contendo metadados das amostras.
• Processamento de Dados (Pré-análise):
  • Utiliza o objeto QFeatures para integrar dados de precursores e metadados.
  • Aplica filtros sequenciais: filtragem de valores-q (q ≤ 0.01) e contaminantes, filtragem baseada em completude (estratégias per-group, across-groups e global definidas por um limiar $k$), e transformação log2.
  • Realiza normalização e sumarização robusta de precursores para proteínas (usando métodos como median polish), sem aplicar imputação, pois o MSqRob modela explicitamente valores ausentes.
• Análise Estatística:
  • Executa a análise de expressão diferencial utilizando o MSqRob.
  • Permite designs experimentais complexos através de fórmulas R (ex: ~ condition + batch), suportando covariáveis e fatores de bloqueio.
• Camada de Relatórios (Reporting):
  • Gera relatórios HTML interativos e autocontidos utilizando Quarto e visualizações baseadas em Plotly.
  • Oferece três modelos (templates) principais:
    1. Base: Controle de qualidade e DE padrão.
    2. Partial: Adiciona análise de "ausentes na DE" (recursos detectados apenas em grupos específicos).
    3. EV (Vesículas Extracelulares): Fluxo de trabalho especializado com métricas de qualidade específicas para EVs e análise de interferência de contaminantes.
• Reprodutibilidade:
  • Salva todos os parâmetros de análise em um arquivo de configuração YAML.
  • Exporta resultados estruturados (objetos RDS, tabelas TopTable em CSV, gráficos em PDF) em um diretório organizado.

3. Principais Contribuições

• Unificação do Fluxo de Trabalho: DiaReport é a primeira ferramenta que integra o processamento de dados DIA-NN, a modelagem estatística MSqRob/QFeatures e a geração de relatórios interativos em uma única função de entrada no R.
• Relatórios Portáteis e Interativos: Elimina a necessidade de servidores Shiny, gerando arquivos HTML que contêm todas as visualizações e tabelas, facilitando o compartilhamento e o arquivamento.
• Flexibilidade de Design: Suporta desde comparações simples de pares até designs experimentais complexos (fatoriais).
• Especificidade de Domínio: Inclui templates customizáveis para aplicações específicas, como a análise de Vesículas Extracelulares (EVs), demonstrando adaptabilidade a diferentes contextos biológicos.
• Estrutura de Dados Padronizada: A saída em formato QFeatures e a documentação em YAML garantem a interoperabilidade com outras ferramentas de proteômica e a reprodutibilidade computacional estrita.

4. Resultados

O DiaReport foi validado em dois cenários distintos:

• Benchmark UPS2/Yeast: Utilizando o padrão Universal Protein Standard 2 (UPS2) em um fundo de levedura, o pacote recuperou com precisão as mudanças de dobramento (fold-changes) esperadas. Os gráficos de PCA interativos mostraram agrupamento distinto baseado nos níveis de spike-in, e os gráficos UpSet confirmaram alta sobreposição de identificação entre as comparações.
• Estudo de Caso de Vesículas Extracelulares (EVs): Comparação de dois protocolos de enriquecimento de EVs: ultracentrifugação (UC) e ultrafiltração em placas de 96 poços (UF96).
  • Qualidade dos Dados: O relatório EV identificou uma abundância significativamente menor de contaminantes bovinos nas amostras UF96 em comparação com as UC.
  • Variabilidade: As amostras UF96 apresentaram menor variabilidade nos marcadores de proteínas de EVs e formaram clusters mais definidos no PCA, enquanto as amostras UC mostraram maior dispersão.
  • Análise Diferencial: Identificou um grande número de proteínas com abundância significativamente diferente entre os métodos, permitindo a descoberta de que proteínas transmembrana estavam em níveis mais altos no protocolo UF96.
• Desempenho: Para coortes clínicas típicas (50-200 amostras), a análise estatística e a geração de relatórios são concluídas em tempos práticos em laptops padrão.

5. Significância

O DiaReport representa um avanço significativo na acessibilidade e reprodutibilidade da proteômica baseada em DIA. Ao consolidar etapas complexas de processamento e análise estatística em uma interface única e gerar relatórios interativos de alta qualidade, ele:

• Democratiza a Análise: Facilita a colaboração em grupos de pesquisa com expertise limitada em programação ou TI.
• Garante Transparência: A estrutura de saída padronizada e os arquivos de configuração permitem que qualquer análise seja revisada, auditada e reproduzida exatamente da mesma forma.
• Acelera a Descoberta Biológica: A capacidade de obter insights rápidos sobre a qualidade da amostra e diferenças de nível proteico através de relatórios interativos permite que pesquisadores tomem decisões mais informadas mais rapidamente.

Em resumo, o DiaReport resolve o problema da fragmentação de ferramentas em proteômica, oferecendo uma solução "ponta a ponta" que combina rigor estatístico com usabilidade e reprodutibilidade.