CHIMERYS: An AI-Driven Leap Forward in Peptide Identification

Význam tématu

Proteomická identifikace peptidů pomocí tandemové hmotnostní spektrometrie (MS/MS) je klíčová pro pochopení biologických procesů a vývoj biotechnologických aplikací. Zpracování chimerických spekter, kde fragmenty více peptidů konkuruje o signál, bylo historicky omezeno na nižší identifikaci peptidů a sníženou citlivost. Inovativní AI-platforma CHIMERYS přináší zásadní posun tím, že dekonvoluuje složitá spektra ve věrohodné modely fragmentací, což významně zvyšuje počet identifikovaných peptidů a proteinů bez kompromisu ve spolehlivosti kontroly falešných objevů (FDR).

Cíle a přehled studie

Cílem článku je představit a validovat vyhledávací algoritmus CHIMERYS, založený na umělé inteligenci, integrovaný v softwaru Proteome Discoverer 3.0. Studie porovnává výkon CHIMERYS s klasickými nástroji (Sequest HT, INFERYS Rescoring a Precursor Detector Node) na různých biologických vzorcích, gradientních délkách i šířkách izolačního okna. Důraz je kladen na:

• Rozšíření identifikace peptidů v běžných DDA experimentech.
• Kalibraci FDR pomocí entrapment přístupu.
• Validaci citlivosti přes simulovaná chimerická spektra (ICS).
• Optimalizaci akvizičních protokolů pro vyšší propustnost.

Použitá metodika a instrumentace

Algoritmus CHIMERYS využívá predikce fragmentačních intenzit a retenčních časů z hloubkově učení rámce INFERYS 2.0, který je datově adaptivně upgradován na experimentálních datech. Dekonvoluce spekter probíhá bez předběžného filtrování: všechny kandidátní peptidy v izolačním okně soupeří o naměřenou intenzitu fragmentů. FDR na úrovni PSM se řídí nástrojem Percolator.

• Hmotnostní spektrometry: Thermo Scientific Orbitrap Exploris 480, Thermo Scientific Orbitrap Eclipse Tribrid.
• Chromatografie: Thermo Scientific Vanquish Neo UHPLC.
• Software: Thermo Scientific Proteome Discoverer 3.0 s uzly CHIMERYS, INFERYS Rescoring, Sequest HT, Precursor Detector a Percolator.

Hlavní výsledky a diskuse

CHIMERYS v porovnání se Sequest HT zdvojnásobí počet identifikovaných peptidů v jednoshotových plných proteomech DDA a zvyšuje průměrné PSM na spektrum na ~2, přičemž identifikační míra přesahuje 80 %. Entrapment analýza s ~8× navýšením homologních sekvencí ukázala konzistentně kalibrovaný FDR. Simulovaná ICS data prokázala citlivost algoritmu > 90  %. Výhodou CHIMERYS je také možnost širších izolačních oken a kratších gradientů, které přinášejí vyšší počet PSM během kratšího času měření. Navíc algoritmus vylepšuje kvantifikaci label-free experimentů, především u nízkouhátních proteinů, a rozšiřuje pokrytí klíčových signálních drah (např. mTOR).

Přínosy a praktické využití metody

CHIMERYS nabízí:

• Výrazně vyšší počet identifikací peptidů a proteinů bez nutnosti navýšení akvizičního času.
• Robustní kontrolu FDR i v komplexních vzorcích a při entrapment testech.
• Možnost optimalizovat DDA parametry pro maximalizaci propustnosti.
• Zlepšenou kvantifikaci v label-free experimentech.

Budoucí trendy a možnosti využití

Vývoj AI-driven vyhledávacích algoritmů bude směřovat k:

• Další integraci predikcí kolizních cross-linků a modifikací post-translačními úpravami.
• Rozšíření cloudových služeb pro masivní paralelní zpracování velkých datových sad.
• Využití v klinické a průmyslové proteomice pro vysokokapacitní screening biomarkerů.
• Kombinaci s DIA (data-independent acquisition) pro komplexnější analýzy proteomů.

Závěr

CHIMERYS představuje významný pokrok v bottom-up proteomice, který díky AI-podpoře zvyšuje citlivost a efektivitu identifikace peptidů v analyzovaných vzorcích. Implementace do Proteome Discoverer 3.0 umožňuje uživatelům snadné nasazení v rutině i specializovaných výzkumných projektech.

Reference

1. Zolg DP, Gessulat S, Paschke C, Frejno M et al. INFERYS rescoring: Boosting peptide identifications and scoring confidence of database search results. Rapid Commun Mass Spectrom. 2021;e9128.
2. Dorfer V, Maltsev S, Winkler S, Mechtler K. CharmeRT: Boosting Peptide Identifications by Chimeric Spectra Identification and Retention Time Prediction. J Proteome Res. 2018;17(8):2581–2589.
3. The M, MacCoss MJ, Noble WS, Käll L. Fast and Accurate Protein False Discovery Rates on Large-Scale Proteomics Data Sets with Percolator 3.0. J Am Soc Mass Spectrom. 2016;27(11):1719–1727.
4. Müller JB, Geyer PE, Colaço AR, Mann M et al. The proteome landscape of the kingdoms of life. Nature. 2020;582:592–596.
5. Bian Y, Zheng R, Bayer FP, Kuster B et al. Robust, reproducible and quantitative analysis of thousands of proteomes by micro-flow LC–MS/MS. Nat Commun. 2020;11:157.