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

本文介绍了一种基于 KNIME 的 DIA-NN EasyFilter 工作流，旨在通过提供无需编程技能即可执行的快速、用户友好的蛋白质过滤与可视化功能，解决 DIA-NN 原始输出文件难以直接分析的问题，从而提升大规模蛋白质组学数据的评估准确性与可解释性。

要点

这篇论文介绍了一个名为 DIA-NN EasyFilter (DEF) 的新工具，它就像是为蛋白质组学数据（一种极其复杂的生物数据）量身定做的"智能过滤器和可视化仪表盘"。

为了让你更容易理解，我们可以把整个研究过程想象成经营一家超级繁忙的“蛋白质餐厅”。

1. 背景：餐厅的困境（为什么要发明这个工具？）

• 食材（蛋白质）太复杂：科学家通过一种叫“质谱仪”的机器来研究细胞里的蛋白质。这就像餐厅每天收到成千上万种不同的食材（蛋白质片段）。
• 厨师（DIA-NN）很厉害，但出菜单太乱：目前最厉害的“主厨”叫 DIA-NN，它能非常精准地识别这些食材。但是，它做出来的“出菜单”（数据报告）是一个叫 PARQUET 的格式。
  • 比喻：这就像主厨给你端上来一箱用强力胶水封死的、全是乱码的食材清单。如果你不懂“编程”（就像不懂怎么撬开胶水、怎么解码乱码），你就根本没法看里面有什么，更没法决定哪些菜能上桌，哪些是坏掉的。
• 老方法的缺点：以前，如果你想整理这些清单，要么得请一个懂代码的“高级大厨”（程序员）来写脚本，要么得用 Skyline 这种工具，但那个太费人工，就像让你拿着放大镜一个个去核对食材，既慢又容易出错。

2. 解决方案：DEF 工具（智能过滤器）

作者开发了一个叫 DEF 的工具，它是基于 KNIME 平台（一个像“乐高积木”一样的低代码平台）构建的。

• 它是什么？
  • 它就像是一个自动化的智能厨房流水线。你只需要把主厨（DIA-NN）封好的那箱乱码清单扔进流水线入口，按下“开始”按钮。
• 它做了什么？
  1. 自动拆封和分类：它能自动打开那个难搞的 PARQUET 格式，把数据变成大家都能看懂的表格。
  2. 严格质检（过滤）：
     • 剔除坏食材：它内置了一个“黑名单”，能自动把那些实验室里常见的污染物（比如皮肤碎屑、空气中的灰尘蛋白）挑出来扔掉。
     • 双重确认：它设定了规则，比如“这道菜必须至少有 2 种独特的配料（肽段）才能算数”，或者“必须是招牌菜（特异性肽段）”。这确保了上桌的菜品都是高质量的。
     • 视觉检查：如果开启了高级功能，它还会像品酒师一样，检查每一道菜的“色谱图”（XIC），确保信号是连贯的，而不是杂音。
  3. 可视化仪表盘：处理完后，它不会只给你一堆数字，而是直接生成漂亮的图表（柱状图、饼图、平行坐标图）。
     • 比喻：就像餐厅老板看一眼大屏幕，就能知道今天哪道菜卖得最好，哪个时间段客流最大，哪些食材浪费最多。

3. 实际效果：四个“试吃”案例

作者用这个工具测试了四个不同的场景，证明它既快又准：

• 案例 1（标准测试）：用已知的人类细胞数据测试。结果发现，DEF 找到的蛋白质数量和顶级专家用复杂方法算出来的几乎一样，但速度快得多。
• 案例 2（混合测试）：测试了老鼠和酵母的混合数据。DEF 能精准地把老鼠的蛋白和酵母的蛋白分开，就像在混合果汁里精准挑出苹果和梨的纤维。
• 案例 3（大考）：这是最厉害的一次。DEF 和其他 5 个著名的软件（如 Skyline, Spectronaut 等）进行“大比武”。
  • 结果：DEF 找到的蛋白质数量最多，而且速度极快（处理 35 个样本只需不到 14 分钟）。它就像是一个不知疲倦的超级助手，比其他助手找得更全、更快。
• 案例 4（真实科研）：作者用自己的实验室数据（研究脂肪细胞如何分化）来测试。DEF 成功帮助他们发现了哪些蛋白质在细胞变胖（或接触高脂肪）时发生了变化，并直接生成了用于发表文章的图表。

4. 为什么这很重要？（给普通人的启示）

• 让外行变专家：以前，只有会写代码的“极客”才能深入分析这些蛋白质数据。现在，有了 DEF，任何生物学家（哪怕完全不懂编程）都能像操作 Excel 一样，轻松地对数据进行深度清洗和可视化。
• 省时省力：它把原本需要几天甚至几周的手工整理工作，缩短到了几分钟。
• 更可靠：因为它内置了严格的过滤规则，减少了人为看错或漏看的可能性，让研究结果更可信。

总结

简单来说，这篇论文介绍了一个让蛋白质数据分析变得“傻瓜化”的神器。

它把原本只有程序员能看懂的“天书”（PARQUET 数据），通过一个自动化的、可视化的流水线，变成了清晰、整洁、高质量的“菜单”。这让科学家们可以把精力集中在发现生物学奥秘上，而不是浪费在整理数据上。

这就好比以前你需要自己种菜、洗菜、切菜才能做饭，现在 DEF 直接给你送来了洗好、切好、甚至搭配好的预制菜，你只需要把它加热（分析）就能享受美味（科研成果）了！

技术摘要

这是一份关于论文《DIA-NN EasyFilter workflow for the fast and user-friendly critical assessment and visualization of DIA-NN proteomics analysis outcome》（DIA-NN EasyFilter 工作流：用于快速、友好地评估和可视化 DIA-NN 蛋白质组学分析结果）的详细技术总结。

1. 研究背景与问题 (Problem)

• DIA-NN 的局限性：数据非依赖性采集（DIA）结合 DIA-NN 软件已成为蛋白质组学定量分析的主流工具，性能优异。然而，DIA-NN 的主要输出格式为紧凑的 PARQUET 文件。
• 用户门槛高：PARQUET 文件通常需要编程技能（如使用 PyArrow 库）才能有效查询和分析。现有的基于 R 的解决方案（如 MSDAP, DIAgiu）虽然功能强大，但需要用户具备 R 语言编程能力，且往往侧重于定量统计，缺乏对鉴定性能的综合评估。
• 手动分析困难：使用 Skyline 等工具进行手动检查虽然可行，但过程繁琐、耗时且容易出错，不适合非编程背景的研究人员。
• 现有工具缺口：虽然 KNIME 和 Galaxy 等低代码/无代码平台提供了可重复的数据分析环境，但目前缺乏专门针对 DIA-NN 主报告进行综合过滤和评估的专用工作流。

2. 方法论 (Methodology)

作者开发了一个名为 DIA-NN EasyFilter (DEF) 的基于 KNIME 分析平台（版本 5.4.3）的工作流，旨在无需编程即可对 DIA-NN 的输出（版本 ≥1.8）进行过滤、评估和可视化。

核心功能模块：

• 输入处理：支持读取 DIA-NN 的主输出文件（PARQUET 或 TSV）、pg.matrix 文件以及可选的 XIC（提取离子色谱图）报告。
• XIC 过滤 (XICs filter)：
  • 如果 DIA-NN 输出了 XIC 数据，DEF 会提取片段离子（b-离子和 y-离子）。
  • 过滤标准：仅保留至少有 4 个连续 b-或 y-离子支持的肽段。
  • 通过 Python 脚本在 KNIME 内部实现离子系列的拼接和筛选。
• 污染物过滤 (Library choice filter)：
  • 整合了三个常用的污染物数据库：MaxQuant、cRAP 和 Hao-Group（更新更频繁，包含更多非标准污染物）。
  • 支持用户上传自定义的污染物 FASTA 文件。
  • 自动标记并排除污染物和 Biognosys iRT 肽段。
• 蛋白质组推断策略 (Task selector)：
  • 提供两种推断模式供用户选择：
    1. 双肽规则 (2-unique-peptide rule)：仅保留由至少两个独特肽段支持的蛋白质组（PGs）。
    2. 谱型肽规则 (Proteotypic rule)：基于谱型肽（proteotypic peptides）进行推断，允许单独特定肽段支持蛋白质鉴定。
• 质量与定量过滤：
  • 设定质量阈值：PG.Q.Value ≤ 0.05，Lib.PG.Q.Value 和 Lib.Q.Value ≤ 0.01。
  • 定量过滤：基于 PG.MaxLFQ 或 QuantUMS 算法。未达标的定量值被标记为缺失值（NaN）而非直接删除，以便用户评估。
• 可视化模块：
  • 定性：鉴定到的 PG 数量柱状图、肽段摘要表。
  • 定量：堆叠柱状图展示运行级别的定量性能（Equation 1）、二元平行坐标图（展示 PG 在各样本中的有无）、饼图（展示 PG 强度分布及污染物占比）。
  • 组间比较：交互式组件支持 2-5 个实验组的对比，可调整缺失值阈值和相对标准偏差（RSD）截断值。
  • 输出兼容性：结果可直接格式化为 MetaboAnalyst 输入格式。

3. 关键贡献 (Key Contributions)

1. 填补工具空白：提供了首个专门针对 DIA-NN PARQUET 输出进行综合后处理的 KNIME 工作流，降低了非编程人员的使用门槛。
2. 灵活的过滤策略：集成了 XIC 离子连续性过滤、多源污染物过滤以及多种蛋白质组推断规则（双肽/谱型肽），允许用户根据研究需求定制流程。
3. 交互式可视化：内置了丰富的可视化组件（平行坐标图、饼图、箱线图等），帮助用户直观地评估数据质量、定量完整性和污染物影响。
4. 高效性：优化了在本地 KNIME 环境下的执行效率，能够处理大规模数据集（数十万行数据），并在几分钟内完成处理。
5. 开源与可及性：工作流完全开源，提供详细的安装和使用指南（Data S2），并托管于 GitHub 和 KNIME Hub。

4. 实验结果 (Results)

作者通过四个案例研究验证了 DEF 的有效性和鲁棒性：

• 案例 1 (HEK293 细胞)：

  • 重分析了公共数据集 (PXD029738)。
  • 结果：DEF 鉴定出的蛋白质组数量（~4200-4900 PGs）与原始文献报道高度一致。
  • 定量：不同文库策略（GPF, FASTA, DDA）下的中位变异系数（CV）均在 6.6%-6.9% 之间，显示出良好的定量重复性。DEF 结合 QuantUMS 算法甚至略微提高了鉴定数量和重复性。

• 案例 2 (小鼠/酵母混合样本)：

  • 分析了 Thermo QE HF 和 Bruker timsTOF Pro 两种仪器上的数据。
  • 结果：基于谱型肽规则的鉴定数量与原始文献的 Razor 方法相当。
  • 定量：DEF 处理后的中位 CV 值（4.35%-10.28%）略优于原始文献报道（4.43%-11.84%），证明了其过滤策略的稳健性。

• 案例 3 (三物种混合 HYE124)：

  • 比较了不同质谱仪（TripleTOF 5600 vs 6600）和 SWATH 窗口设置（32 固定 vs 64 可变）。
  • 结果：DEF 鉴定出的蛋白质数量显著高于其他主流工具（如 Spectronaut, Skyline, OpenSWATH, DIA-Umpire），最高高出 100% 以上。
  • 效率：处理 35 个样本的批次仅需不到 14 分钟。

• 案例 4 (SGBS 脂肪细胞分化)：

  • 分析了前脂肪细胞 (PA)、分化脂肪细胞 (WA) 和棕榈酸处理组 (WP)。
  • 结果：
    • 双肽规则下鉴定到 300+ PGs，谱型肽规则下鉴定到 500+ PGs。
    • 通过 MetaboAnalyst 进行差异分析，成功识别出与脂肪细胞分化及棕榈酸处理相关的差异蛋白（如细胞色素 c 氧化酶亚基 2、转铁蛋白等）。
    • 功能富集分析揭示了细胞骨架重组、氧化还原活性及碳代谢通路的显著变化。
    • 可视化模块有效展示了不同规则下的数据覆盖度和定量趋势。

5. 意义与局限性 (Significance & Limitations)

意义：

• ** democratization（民主化）**：使缺乏编程背景的临床和"One Health"领域研究人员能够深入、批判性地评估 DIA-NN 的复杂输出。
• 标准化与可重复性：通过可视化的节点工作流，确保了分析步骤的透明度和可重复性，减少了手动操作带来的错误。
• 快速迭代：相比编写 R/Python 脚本，KNIME 工作流允许用户快速调整参数并重新运行，加速了数据分析迭代。

局限性：

• 扩展性：虽然适合中小规模研究，但在处理超大规模队列（如数千个样本）时，本地 KNIME 的内存限制可能成为瓶颈，不如基于云的平台（如 Galaxy）扩展性强。
• 格式依赖：目前仅支持 DIA-NN 的输出格式，无法直接处理其他 DIA 搜索工具（如 Spectronaut, OpenSWATH）的结果。
• 算法限制：仅使用 DIA-NN 内置的定量算法（MaxLFQ 或 QuantUMS），未集成其他先进的定量或归一化算法。

未来展望：
作者计划扩展工作流以支持更多输入格式和原始数据源，并引入更多样化的定量和归一化策略，以进一步提升分析的灵活性和深度。

总结：
DIA-NN EasyFilter (DEF) 是一个强大且用户友好的工具，它成功解决了 DIA-NN 输出文件难以直接分析的痛点，通过无代码的可视化工作流，显著提升了蛋白质组学数据后处理的效率、准确性和可及性。