ProtPipe2: Multi-Platform Downstream Proteomics Analysis Tool

ProtPipe2 技术摘要：多平台下游蛋白质组学分析工具

问题陈述
蛋白质组学研究日益依赖于多样化的测量技术，包括质谱 (MS)、基于抗体的 Olink 以及基于适配体的 SomaScan 平台。尽管这些技术在测量方法、输出格式和元数据结构方面存在差异，但它们具有共同的下游分析需求，如质量控制 (QC)、缺失值处理、归一化、批次校正和统计分析。目前，研究人员通常依赖于碎片化的工作流，将特定平台的导入脚本与单独的预处理及可视化工具结合使用。这种碎片化阻碍了分析选择的可追溯性，降低了可重复性，并使得跨不同平台的分析复用变得困难。现有的软件解决方案通常侧重于质谱，或需要预处理后的通用丰度矩阵，这导致研究人员在进行常规下游分析之前，必须针对 Olink NPX 或 SomaScan ADAT 文件执行额外的平台特定预处理。

方法论
ProtPipe2 是一个开源框架，以 R 包的形式实现，并配有一个由 Shiny 开发的交互式 Web 应用程序。其核心架构围绕 SummarizedExperiment 对象构建，该对象实现了所有支持平台的数据表示标准化。

• 数据摄取与标准化： 该工具提供了用于通用 MS 矩阵、Olink NPX 导出文件和 SomaScan ADAT 文件的专用导入函数。所有输入都会转换为一个包含 "intensities"（强度）测定值、特征注释 (rowData)、样本注释 (colData) 和处理历史 (metadata) 的 SummarizedExperiment 对象。这确保了数据可以在脚本化 R 工作流与图形化 Web 界面之间无缝移动，而无需进行格式转换。
• 平台特定预处理：
  • Olink： 导入长格式 NPX 文件，排除带有 QC 警告的样本，并将数据转换为“特征-样本”矩阵。至关重要的是，报告的 NPX 值（包括低于检测限 LOD 的值）被保留为报告值，默认情况下不会被转换为缺失值或进行插补。NPX 值的 log2 尺度得以保留。
  • SomaScan： 读取厂商处理后的 ADAT 文件，将研究样本与缓冲液/校准品行分离。它应用基于缓冲液的检测过滤，以识别用于评估目的的低于适配体特定缓冲液平均值的测量值，但报告的 RFU 值被保留，不进行掩盖或插补。不会重复进行厂商的归一化和校准步骤。
  • 质谱 (MS)： 支持通用矩阵导入，并提供可选的最小强度过滤，以将低丰度测量值分类为缺失值。
• 下游分析流水线： 该框架将分析组织为模块化的可选步骤：
  • 质量控制 (QC)： 计算检测率、样本相关性 (Spearman)、变异系数和缺失值率。
  • 预处理： 包括基于检测率的蛋白质/样本过滤、转换 (log2(x+1))、归一化 (中位数/平均值) 和插补。插补方法包括左移正态分布（建议用于 MS）、K-最近邻 (K-nearest-neighbor)、随机森林以及均值/中位数替换。除非仍存在真正的缺失值，否则不对 Olink 或 SomaScan 进行插补；低于平台特定阈值（LOD 或缓冲液）的测量值仍作为报告值可用。
  • 批次校正： 使用 limma::removeBatchEffect，但需要用户显式选择；它绝不会自动应用，以防止移除生物学变异。
  • 统计分析： 使用带有经验贝叶斯调节的 limma 进行两组差异丰度分析。它支持分类组别比较和连续变量关联 (Spearman 相关性)。
  • 通路分析： 将基因符号映射到 Entrez ID，并使用 clusterProfiler 进行基因本体 (Gene Ontology) 富集分析和基因集富集分析 (GSEA)。
• 可重复性： 每项操作都会将其名称、参数和细节追加到对象元数据中有序的日志中，该日志可以导出为 Markdown 报告。

核心贡献

• 统一的工作流： 在受评估的工具中，ProtPipe2 的独特之处在于它在一个框架内为 MS、Olink 和 SomaScan 数据提供了直接导入和通用的下游工作流。
• 双重界面： 它既提供用于脚本化、可重复分析的 R 包，也提供用于交互式探索的 Shiny Web 应用程序，两者使用完全相同的底层函数。
• 平台感知能力： 与通用工具不同，ProtPipe2 整合了平台特定的逻辑（如 Olink 的 LOD、SomaScan 的缓冲液值）和数据缩放（保留 Olink 的 log2），同时明确保留了低于这些阈值的报告值，而不是将其转换为缺失数据。
• 透明度： 系统显式记录了所有处理步骤和参数，便于审计和复用。

结果

• 案例研究： 作者通过三个不同的数据集演示了该工作流：
  • MS： 分析了一个通用丰度矩阵（9,119 个蛋白质，42 个样本）以生成 QC 图表、聚类和热图。
  • Olink： 处理炎症通路数据（142 个样本，92 个测定项目），根据 QC 标记和 LOD 进行过滤，随后进行比较糖尿病状态的差异表达分析。报告的 NPX 值（包括低于 LOD 的值）被保留，未进行插补。
  • SomaScan： 处理脐带血浆数据（7,596 个适配体，130 个样本），使用基于缓冲液的检测过滤和队列校正，同时保护生物学变量。报告的 RFU 值被保留，未进行掩盖或插补。
• 性能基准测试： 在 Apple M1 Pro 系统上的合成基准测试显示，运行时间随蛋白质数量适度增加，但随样本数量增加在聚类和 QC 操作上显著增加。最大的测试矩阵（8,000 个蛋白质 × 1,000 个样本）导致的聚类中位运行时间约为 80 秒，峰值内存使用量约为 2.84 GiB。Web 应用程序在最大数据集下的最大延迟为 17.7 秒。
• 对比： 表 1 强调了 ProtPipe2 在受评估工具（包括 Persece, amica, ProTIGY 和 MSstatsShiny）中的唯一性，即它支持所有三种输入格式（MS, Olink, SomaScan），同时提供基于 Web 的功能和无代码能力。

意义与主张
论文声称，ProtPipe2 通过将分散的平台特定需求统一到一个可重复的框架中，使下游蛋白质组学分析更容易执行、重复和审查。其主要贡献并非引入新的统计检验，而是将已建立的方法（如 limma, clusterProfiler）集成到一个支持图形化和脚本化交互的凝聚工作流中。作者强调，该工具旨在促进从交互式探索到可重复代码的过渡，同时让所有的分析决策都处于用户的控制之下。他们明确指出，案例研究旨在演示软件行为，并不声称对源出版物进行了独立的生物学验证。该工具作为 R 包和 Web 应用程序免费提供，旨在降低复杂蛋白质组学分析的门槛，同时保持严格的数据溯源标准。