在這次采訪中，Hannes Rost博士描述了他的實驗室如何使用diaPASEF來監(jiān)測人一生中的蛋白質(zhì)組，以及如何使用機器學習來分析數(shù)據(jù)。

其主要優(yōu)點是可再現(xiàn)性。數(shù)據(jù)獨立采集允許您在非常大的群組中重復測量單個分析信號。這與數(shù)據(jù)相關采集不同，在數(shù)據(jù)相關采集中，您使用隨機方法從分析池中提取肽。這就避免了在每個樣品中重復采樣相同的肽庫。

有了數(shù)據(jù)無關采集，你就可以在每個樣本中得到一個特定分析物的定量答案，你就不會有這種在定量數(shù)據(jù)矩陣中引入缺失值的隨機元素，而在數(shù)據(jù)無關采集中，你經(jīng)常會觀察到缺失值。

timsTOF Pro是一種基于傳統(tǒng)Q-TOF架構的新型儀器，同時在分光計前面還有一個捕獲離子遷移率裝置。這允許我們做兩件事:第一，它允許我們在把離子送到分析之前積累一定的時間，第二，它允許我們通過離子遷移率來分離離子。

這意味著離子被聚焦到一個非常窄的離子帶，這提高了靈敏度并提供了額外的細胞活性，因為離子將被它們的碰撞截面所分離。

timsTOF Pro采用并行累積串行碎片(PASEF)獲取方法，利用捕獲的離子遷移率可使測序速度提高10倍。它的基礎是利用四極的位置并隨著離子移動。

這種測序速度的提高對復雜的蛋白質(zhì)組非常重要，因為它使我們能夠更深入地研究復雜的蛋白質(zhì)組，并在短時間內(nèi)獲得非常復雜的樣本的定量答案。

我們目前正在研究質(zhì)譜的兩大支柱。第一個支柱是新技術的發(fā)展，因為我們意識到目前的質(zhì)譜技術需要改進，然后我們才能解決大規(guī)模的問題和我們想要解決的隊列規(guī)模的類型。

我們花了相當多的時間開發(fā)新的軟件和新的實驗方法，以增加重復性和可擴展性的質(zhì)譜方法。同時，我們將這些方法應用于我們研究項目的第二個支柱，即個性化醫(yī)療。

在這里，我們試圖通過一個非常密集的采樣裝置，縱向跟蹤個別病人，這樣我們就可以看到病人的生物體液的分子結構在他們的一生中，以及在健康和疾病期間是如何變化的。有了這一點，我們希望了解是什么驅(qū)動著從健康狀態(tài)到疾病狀態(tài)的轉變。

nobeastsofierce |在上面

diaPASEF是一種將離子遷移率成分引入數(shù)據(jù)無關采集(dia)的新方法。我們目前正在使用diaPASEF分析大的患者隊列或大的擾動，這是任何一種個性化醫(yī)療方法的系統(tǒng)生物學所需要的。

如果我們能夠分析非常大的實驗擾動并量化每一個擾動中的分析物，我們就能理解生物系統(tǒng)是如何工作的，它們?nèi)绾螌_動做出反應，以及信號是如何處理的。

另一方面，如果我們將其應用于個別患者和患者群體，我們可以追蹤單個患者在長時間內(nèi)的分子分布，我們可以了解他們的分子分布如何隨著環(huán)境和生活方式的改變而改變。最終，我們將能夠觀察到從健康狀態(tài)到疾病狀態(tài)的轉變，并更早地進行診斷。

縱向方面是關鍵，因為它允許我們將個別病人與他們過去的自我進行比較。我們想要擺脫將個體患者與總體平均值進行比較的模式，因為總體平均值可能不如將你當前患病的自我與過去健康的自我進行比較更有意義。

你體內(nèi)的分析物含量可能是10年前的兩倍，這是一個不好的信號，因為這意味著你可能患上了某種疾病。分析物的這個水平可能仍然在總體方差之內(nèi)，因此將被您當前的醫(yī)生錯過。

是的。機器學習是幾年前進入蛋白質(zhì)組學的一項技術。人們已經(jīng)將深度學習應用到蛋白質(zhì)組學和代謝組學中，目的是為了跳過一些非常繁瑣和勞動密集的步驟，而這些步驟是我們目前必須進行的數(shù)據(jù)獨立獲取。

其中一個步驟是生成光譜或分析文庫。我們現(xiàn)在有了第一個跡象，它可能完全預測這些光譜庫，這將使我們能夠更有效和更直接地挖掘dia數(shù)據(jù)，而不依賴于之前的實驗證據(jù)，在之前的實驗測量中，通常必須通過數(shù)據(jù)相關采集來完成。

這使我們可以斷開繁瑣的連接，我們總是需要做數(shù)據(jù)相關的采集，然后我們可以做數(shù)據(jù)無關的采集，我們可以直接進入數(shù)據(jù)無關的采集數(shù)據(jù)。

下一個前沿領域?qū)⑹侵苯宇A測碰撞截面值，因為這是挖掘diaPASEF數(shù)據(jù)所必需的。從我們與馬克斯·普朗克研究所的合作中，我們看到這是可能的，我們將很快開始朝這個方向前進。

Zapp2Photo |在上面

我認為目前計算質(zhì)譜的主要挑戰(zhàn)之一，特別是與數(shù)據(jù)無關的獲取，是數(shù)據(jù)的絕對數(shù)量。這在timsTOF Pro上再次爆發(fā)了，我們擁有的數(shù)據(jù)是傳統(tǒng)Q-TOF儀器的1000倍。這是因為每個單獨的TOF掃描現(xiàn)在被分割成一千個單獨的TOF推送，我們可以單獨分析。

這對我們的算法來說是一個巨大的挑戰(zhàn)，但同時也需要解釋如此龐大的數(shù)據(jù)量。目前，我們記錄的數(shù)據(jù)比我們能夠解釋的數(shù)據(jù)多得多，因此我們希望利用全部數(shù)據(jù)，而不僅僅是一小部分數(shù)據(jù)。

我認為數(shù)據(jù)無關獲取的第二個挑戰(zhàn)是，因為我們使用的是一種獲取大量數(shù)據(jù)的方法，我們需要有一種方法來反卷積這些數(shù)據(jù)，并將單個前體跟蹤與其片段離子跟蹤分配回一起。這在我們把離子遷移率作為分離技術之前是不可能的。

它更大是因為在以前的所有方法中，我們使用單個的TOF推力將它們平均到一個光譜中，而現(xiàn)在每個TOF推力都與離子遷移率有關。我們曾經(jīng)采取了大約1000個單獨的測量，然后平均成一個測量，這使我們能夠壓縮數(shù)據(jù)。

現(xiàn)在，每一個單獨的TOF推力都與離子遷移有關，這意味著我們需要保留這些信息，我們不能再簡單地合并數(shù)據(jù)了。這意味著我們有更多的信息，但也有大量的數(shù)據(jù)分析的挑戰(zhàn)。

在我們的研究團隊中，我們非常重視開發(fā)開源軟件。其中一個主要原因是透明度。我們希望人們能夠準確地理解和再現(xiàn)他們的數(shù)據(jù)所發(fā)生的事情，而這只有在開源軟件中才能做到。

只有使用開放源碼軟件，您才能讀取操作數(shù)據(jù)的代碼，以便理解如何從原始數(shù)據(jù)文件轉換到特定的輸出定量值。

第二個原因是圍繞我們正在生產(chǎn)的軟件發(fā)展數(shù)據(jù)獨立的獲取社區(qū)。通過使軟件對開發(fā)人員開放和可用，它允許我們創(chuàng)建一個開發(fā)人員社區(qū)，利用我們的算法并在其上構建一些東西。

我們不是在我們個人的豎井里工作，并試圖保護我們的研究，而是努力使它盡可能開放，并對社區(qū)可用，以便其他人可以使用它并在其基礎上進行開發(fā)。

目前，我們在計算質(zhì)譜分析方面還面臨著一些挑戰(zhàn)。其中一項挑戰(zhàn)是解釋需要獲得由質(zhì)譜儀記錄的全部信息的個別數(shù)據(jù)集。

我還認為我們需要進入數(shù)據(jù)采集的第二個維度，即樣本的數(shù)量。我們需要能夠重復地進行這類分析，這樣我們在單次運行中為分析物找到的定量值就可以為每個病人找到。這是我們?nèi)匀恍枰碌乃惴ǖ臇|西，為了讓它工作，為了克服批量效應。

Hannes Rost是多倫多大學Rost實驗室的首席研究員。Rost在蘇黎世聯(lián)邦理工學院Ruedi Aebersold教授的實驗室完成了他的博士學位，在那里他開發(fā)了新的計算方法來分析基于質(zhì)譜的蛋白質(zhì)組學數(shù)據(jù)。這項工作使研究人員能夠?qū)⒛繕说鞍踪|(zhì)組學實驗的產(chǎn)量提高100倍，并增加可在單個研究中分析的樣本數(shù)量。

在他目前的工作中，Rost和他的團隊開發(fā)了新的質(zhì)譜儀方法來獲得高度定量的蛋白質(zhì)組學和代謝組學數(shù)據(jù)矩陣，并使用這些定量數(shù)據(jù)來解決系統(tǒng)生物學和個性化醫(yī)學中的問題。

贊助內(nèi)容策略:News-Medical.net發(fā)布的文章和相關內(nèi)容可能來自于我們現(xiàn)有的商業(yè)關系，前提是這些內(nèi)容為News-Medical的核心編輯理念增加了價值。網(wǎng)站旨在教育和告知對醫(yī)學研究、科學、醫(yī)療器械和治療感興趣的網(wǎng)站訪問者。