Proteome Discoverer 3.0 software with the CHIMERYS intelligent search algorithm

Ostatní | 2022 | Thermo Fisher ScientificInstrumentace
Software
Zaměření
Proteomika
Výrobce
Thermo Fisher Scientific

Význam tématu


Proteomická data generovaná v režimu závislého pořizování (DDA) často obsahují chimerické tandemové spektra vznikající koizolací více peptidů. Tradiční vyhledávací algoritmy tato spektra nedokážou plně interpretovat, což omezuje hloubku proteomické analýzy a množství identifikovaných peptidů a proteinů. Zavedení umělé inteligence do analýzy spekter otevírá nové možnosti pro zvýšení počtu peptid-spektrových zápasů a zlepšení pokrytí proteomu.

Cíle a přehled studie / článku


Tento článek představuje integraci inteligentního vyhledávacího algoritmu CHIMERYS od společnosti MSAID do softwaru Thermo Scientific Proteome Discoverer 3.0. Hlavním cílem je překonat limity dosavadních verzí softwaru a zvýšit identifikaci peptidů a proteinů z tandemových spektrometrických dat, včetně analýzy chimerických spekter a podpory HLA imunopeptidomiky ve spojení s INFERYS Rescoring.

Použitá metodika a instrumentace


Analýzu provádí software Proteome Discoverer 3.0 s následujícími komponentami:
  • Algoritmus CHIMERYS™ (MSAID GmbH) pro dekonvoluci chimerických spekter pomocí umělé inteligence
  • INFERYS™ 2.0 Rescoring pro zvýšení citlivosti při identifikaci HLA peptidů
  • Sequest HT s INFERYS Rescoring jako benchmarková strategie
  • Termo Scientific Orbitrap™ hmotnostní spektrometry pro generování dat

Spektra byly zpracována v různých experimentech s variabilními množstvími vzorku (10–500 ng) a dobami chromatografické separace (30–120 minut).

Hlavní výsledky a diskuse


1. Zvýšení počtu PSMs na spektrum: CHIMERYS našel výrazně více peptid-spektrových zápasů per MS/MS spektrum než předchozí verze Proteome Discoverer. Podíl spekter bez PSM poklesl a více spekter obsahovalo tři či více zápasů.
2. Rozšíření identifikace peptidů a proteinů:
  • Počet unikátních peptidů vzrostl až o 128 % v porovnání se Sequest HT s INFERYS Rescoring.
  • Počet unikátních proteinů se zvýšil až o 76 % při vyšších náloží a kratších separacích.

3. Podpora HLA imunopeptidomiky: V analýze HLA třídy I z melanomové buněčné linie vedlo INFERYS Rescoring k nárůstu peptidových identifikací o 55 % při 1% FDR, což významně rozšiřuje repertoár identifikovaných epitopek.

Přínosy a praktické využití metody


Integrace CHIMERYS a INFERYS do softwaru umožňuje:
  • Hloubkovou těžbu proteomických dat bez nutnosti dalších laboratorních úprav
  • Zvýšení průchodnosti analýz kratšími chromatografickými běhy a vyššími náložemi
  • Komplexnější kvantifikaci biochemických drah díky doplnění chybějících dat
  • Lepší identifikaci imunopeptidů pro výzkum HLA prezentace

Budoucí trendy a možnosti využití


Očekává se další rozvoj umělé inteligence pro reálné časové vyhodnocení spekter, rozšíření na režim získávání dat bez závislosti (DIA) a integrace s dalšími platformami pro proteomiku. Vývoj směrem k plně automatizovaným pracovním postupům a cloudovým řešením umožní škálovat analýzy na populační studie a personalizovanou medicínu. Pokročilé algoritmy by mohly vylepšit i identifikaci post-translačních modifikací a komplexních biotechnologických vzorků.

Závěr


CHIMERYS v kombinaci s INFERYS Rescoring v rámci Proteome Discoverer 3.0 zásadně zvyšuje počet PSM, unikátních peptidů a proteinů, obzvláště při kratších separacích a vyšších náložích. Tato inovace otevírá nové možnosti pro hlubší biologické vhledy, efektivnější provoz hmotnostních spektrometrů a rozšířenou podporu imunopeptidomiky.

Reference


  1. Chong C. et al. High-throughput immunopeptidomics by HLA Class I profiling. Nature Communications, 2020.

Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.

PDF verze ke stažení a čtení
 

Podobná PDF

Thermo Scientific Proteome Discoverer software
Thermo Scientific Proteome Discoverer software
2022|Thermo Fisher Scientific|Brožury a specifikace
CHIMERYS: An AI-Driven Leap Forward in Peptide Identification
CHIMERYS: An AI-Driven Leap Forward in Peptide Identification
Optimization of wide window acquisition methods for improved proteome coverage