MSstatsTMT: 等圧標識や複数の混合物を用いた実験において、異なる種類のタンパク質を統計的に検出することができます

MSstatsTMT: Statistical detection of differentially abundant proteins in experiments with isobaric labeling and multiple mixtures.

• Ting Huang
• Meena Choi
• Manuel Tzouros
• Sabrina Golling
• Nikhil Janak Pandya
• Balazs Banfai
• Tom Dunkley
• Olga Vitek

抄録

タンデムマスタグ（TMT）は、プロテオミクス研究で広く使用されている多重化技術です。これにより、1回の質量分析で複数の生物学的サンプルからのタンパク質の相対定量を高効率かつ高スループットで行うことができます。しかし、多くの場合、実験では、1回の実行では収容できないほど多くの生物学的複製や条件が必要となり、複数のTMT混合物や複数回の実行が必要となります。このような大規模な実験では、複雑でTMTベースのワークフローに特有のパターンの生物学的および技術的変動の原因が組み合わされ、下流の統計解析が困難になります。これらのパターンは、無標識プロテオミクスやトランスクリプトミクスなどの他の技術のために設計された統計的手法では十分に特徴付けることができません。この原稿では、TMT標識を用いた質量分析ベースの実験における相対的なタンパク質定量のための一般的な統計的アプローチを提案します。これは、複数の条件、複数の生物学的レプリケートランと複数の技術的レプリケートラン、およびアンバランスデザインの実験に適用可能である。これは、技術的なアーチファクトや欠損値の複雑なパターンを処理する柔軟性のある線形混合効果モデルのファミリーに基づいています。このアプローチは、Proteome Discoverer、MaxQuant、OpenMS、SpectroMineなどのデータ処理ツールと互換性のある、自由に利用できるオープンソースのR/Bioconductorパッケージで実装されています。制御された混合物、シミュレーションされたデータセット、および多様なデザインの3つの生物学的調査での評価により、特に複数の生物学的混合物を用いた大規模な実験において、異なる種類のタンパク質を検出する感度と特異性のバランスが取れていることが実証されました。

Tandem mass tag (TMT)  is a multiplexing technology widely-used in proteomic research. It enables relative quantification of proteins from multiple biological samples in a single mass spectrometry run with high efficiency and high throughput. However, experiments often require more biological replicates or conditions than can be accommodated by a single run, and involve multiple TMT mixtures and multiple runs. Such larger-scale experiments combine sources of biological and technical variation in patterns that are complex, unique to TMT-based workflows, and challenging for the downstream statistical analysis. These patterns cannot be adequately characterized by statistical methods designed for other technologies, such as label-free proteomics or transcriptomics. This manuscript proposes a general statistical approach for relative protein quantification in mass spectrometry-based experiments with TMT labeling. It is applicable to experiments with multiple conditions, multiple biological replicate runs and multiple technical replicate runs, and unbalanced designs. It is based on a flexible family of linear mixed-effects models that handle complex patterns of technical artifacts and missing values. The approach is implemented in , a freely available open-source R/Bioconductor package compatible with data processing tools such as Proteome Discoverer, MaxQuant, OpenMS and SpectroMine. Evaluation on a controlled mixture, simulated datasets, and three biological investigations with diverse designs demonstrated that balanced the sensitivity and the specificity of detecting differentially abundant proteins, in particular in large-scale experiments with multiple biological mixtures.

Published under license by The American Society for Biochemistry and Molecular Biology, Inc.