2010年工作規(guī)劃

1、從pLink1到pLink2更快、更準的交聯(lián)肽段鑒定引擎,劉超中科院計算所 pFind團隊,2016第四屆中國計算蛋白質(zhì)組學研討會 中國·大連,提綱,背景與問題算法與軟件現(xiàn)狀與未來,CNCP 2016,2,背景,為什么要鑒定交聯(lián)肽段蛋白質(zhì)-蛋白質(zhì)相互作用蛋白質(zhì)結(jié)構(gòu),3,,,,,,CNCP 2016,以pLink1(Yang et al, 2012)應用為例,使用pLink1發(fā)表的文章29

2、篇Nature 2篇Science 1篇Nature Communications 1篇Nature Structural & Molecular Biology 3篇,4,pLink1,CNCP 2016,pLink1下載591套（2016.5.31）,5,168,173,17,145,3,5,15,CNCP 2016,交聯(lián)鑒定面臨三大挑戰(zhàn),,6,01樣品復雜,02搜索空間大,03譜圖復雜,C

3、NCP 2016,交聯(lián)鑒定面臨三大挑戰(zhàn),,7,01樣品復雜,02搜索空間大,03譜圖復雜,,常規(guī)候選肽3.4×106,交聯(lián)候選肽5.35×1011,候選肽數(shù)目擴大10萬倍,人類數(shù)據(jù)庫,CNCP 2016,三個解決方案,,8,01 引入標記技術(shù)（濕）一級譜圖中有輕、重同位素峰簇對兒的認為是交聯(lián)肽段,CNCP 2016,三個解決方案,,9,01 引入標記技術(shù)（濕）一級譜圖中有輕、重同位素峰簇對兒的認為是

4、交聯(lián)肽段,02引入可碎裂交聯(lián)劑（濕）搜索交聯(lián)肽段n2 搜索兩條單肽2n,CNCP 2016,02引入可碎裂交聯(lián)劑（濕）搜索交聯(lián)肽段n2 搜索兩條單肽2n,三個解決方案,,10,01 引入標記技術(shù)（濕）一級譜圖中有輕、重同位素峰簇對兒的認為是交聯(lián)肽段,03使用高效的索引技術(shù)（干）？,CNCP 2016,提綱,背景與問題算法與軟件現(xiàn)狀與未來,11,CNCP 2016,技術(shù),,12,2008~2010,

5、CNCP 2016,技術(shù),,13,,,之前,之后,CNCP 2016,2012,FDR估計,NU:NF:NT 2: 1 : 1FDR=(NU-NF)/NT,14,CNCP 2016,從pLink1到pLink2,,15,開始,RAW?,格式轉(zhuǎn)換,蛋白質(zhì)數(shù)據(jù)庫,譜圖預處理,候選單肽,開放式索引,E-value,估計FDR,報告結(jié)果,結(jié)束,,速度,,精度,否,是,pLink1,候選雙肽,CNCP 2016,從pLink1到p

6、Link2,,16,開始,RAW?,格式轉(zhuǎn)換,蛋白質(zhì)數(shù)據(jù)庫,譜圖預處理,搜索α肽段,搜索β肽段,離子索引,,速度,精度,No,Yes,肽段索引,特征提取,機器學習,估計FDR,報告結(jié)果,結(jié)束,,改進1,改進2,改進3,CNCP 2016,pLink2,譜圖預處理 – 確定母離子單同位素峰,單肽 雙肽（交聯(lián)肽段）,17,Yuan, Z.F., et a

7、l., pParse: a method for accurate determination of monoisotopic peaks in high-resolution mass spectra. Proteomics, 2011.,CNCP 2016,單同位素峰更低同位素峰數(shù)目更多,從pLink1到pLink2：搜索空間更精準,改進1 pLink1

8、 pLink2母離子質(zhì)量誤差正負5 Da 母離子質(zhì)量誤差正負20 ppm,18,pLink1,pLink2,pLink1的搜索空間大,二級譜圖中記錄的單同位素峰,單同位素峰,CNCP 2016,從pLink1到pLink2：搜索空間更精準,改進1 pLink1 pLink2母

9、離子質(zhì)量誤差正負5 Da 母離子質(zhì)量誤差正負20 ppm,19,pLink1,pLink2,pLink2的搜索空間,CNCP 2016,Yuan, Z.F., et al., pParse: a method for accurate determination of monoisotopic peaks in high-resolution mass spectra. Proteomics, 2011.,改進

10、2：從肽段索引到離子索引,20,SequenceDatabase,Pre-scoring,搜索兩個肽段兩兩組合 搜索空間巨大,對一個肽段的開放式搜索 搜索空間可控,CNCP 2016,改進2：從肽段索引到離子索引,21,Combining and Refined Scoring,SequenceDatabase,Pre-scoring,對一個肽段的開放式搜索 搜索空間可控,保留可信的單肽進行兩兩組合

11、 搜索空間較小,CNCP 2016,改進2：從肽段索引到離子索引,22,實際譜圖,……,,,來自數(shù)據(jù)庫的理論肽段理論譜圖,肽段間匹配，需要匹配所有的理論譜圖，無效匹配多,肽段索引,耗時：11毫秒結(jié)果：匹配譜峰數(shù)目為0,耗時：10毫秒結(jié)果：匹配譜峰數(shù)目為0,耗時：9 毫秒結(jié)果：匹配譜峰數(shù)目為3,無效匹配,無效匹配,有效匹配,CNCP 2016,改進2：從肽段索引到離子索引（Ion-Index）,針對離子建立索引一個二級譜

12、圖的譜峰就是一個離子離子與離子匹配,23,……,離子間匹配，跳過肽段直接進行有效匹配,,,,離子索引,實際譜圖,來自數(shù)據(jù)庫的理論肽段理論譜圖,不在搜索空間內(nèi),不在搜索空間內(nèi),CNCP 2016,Chi Hao et al. Journal of Proteomics. 2015,改進3：機器學習（11維特征）,24,CNCP 2016,改進3：機器學習（SVM在線訓練）,pLink1計算E-Value耗時長適應性弱pLi

13、nk2使用機器學習（SVM）耗時短適應性強,25,開始,特征提取,迭代,終止,選擇訓練樣本,SVM訓練模型,重打分,重排序,達到終止條件,CNCP 2016,pLink2與pLink1對比,速度pLink2提升10到20倍精度pLink2交聯(lián)肽段數(shù)目提升50%,26,CNCP 2016,我們在10余套數(shù)據(jù)上進行了對比,pLink2與pLink1對比,pLink1 與 pLink2 鑒定不一致的主要來自兩類：1、67

14、%，鑒定結(jié)果母離子不一致。（改進1：譜圖預處理）2、20%，肽譜匹配一樣，但未通過FDR過濾。（改進2：機器學習）,27,CNCP 2016,pLink2與Kojak對比,,28,Michael R. Hoopmann,Robert L. Moritz,CNCP 2016,Kojak的流程與pLink1類似,,29,開始,RAW?,格式轉(zhuǎn)換,蛋白質(zhì)數(shù)據(jù)庫,譜圖預處理,候選單肽,開放式索引,E-value,估計FDR,報告結(jié)果,結(jié)

15、束,,速度,,精度,否,是,pLink1,候選雙肽,500,CNCP 2016,Kojak的流程與pLink1類似,,30,開始,RAW?,格式轉(zhuǎn)換,蛋白質(zhì)數(shù)據(jù)庫,譜圖預處理,候選單肽,開放式索引,機器學習Percolator,估計FDR,報告結(jié)果,結(jié)束,,速度,,精度,否,是,Kojak,候選雙肽,250,CNCP 2016,測試數(shù)據(jù)集1,合成肽段38條（答案），兩兩組合，使用BS3交聯(lián)與“答案”一致的高可信譜圖1030

16、張（正確結(jié)果）；Kojak分析可以得到869張1047張母離子質(zhì)量增加50ppm的譜圖（錯誤結(jié)果）；,31,pLink,38條合成肽段,1030張,CNCP 2016,手工驗證,搜索Human庫,增大搜索空間，測試軟件的速度和精度,32,2077張MSMS,pLink2,Kojak,38條合成肽段Swissprot Human(20197 entries),CNCP 2016,pLink2與Kojak：速度,,33,pLin

17、k2,Kojak,CNCP 2016,使用64位的PC進行測試,Intel® Xeon® E5-2670（主頻2.6GHz ），4線程“2000張二級譜圖”“人庫” “10分鐘”,34,CNCP 2016,使用64位的PC進行測試,Intel® Xeon® E5-2670（主頻2.6GHz ），4線程“2000張二級譜圖”“人庫”“10分鐘”“1萬張二級譜圖”“人庫”“約50分鐘”,35,C

18、NCP 2016,pLink2與Kojak：精度,36,,,Kojak,pLink2,77 276 739,譜圖層次FDR小于等于5%,CNCP 2016,pLink2與Kojak：精度,37,,,Kojak,pLink2,77 276 7398 276 70210% 1

19、00% 95%,譜圖層次FDR小于等于5% 紫色：與正確結(jié)果一致的肽譜匹配,CNCP 2016,測試數(shù)據(jù)集二：15N代謝標記,候選肽1：GNTSLYDHNNNTSDYSK,候選肽2：QSYMDAMLDPMAWMGK,Zhong, H., S.L. Marcus, and L. Li, Two-dimensional mass spectra generated from the analysis of

20、15N-labeled and unlabeled peptides for efficient protein identification and de novo peptide sequencing. J Proteome Res, 2004. 3(6): p. 1155-63.,CNCP 2016,38,精度：15N代謝標記,候選肽1：GNTSLYDHNNNTSDYSK,,1:1,C79H116N24O22S0,24 Da,候

21、選肽2：QSYMDAMLDPMAWMGK,,C81H123N19O24S4,19 Da,,正確的鑒定結(jié)果,錯誤的鑒定結(jié)果,NaN,CNCP 2016,39,精度 - 15N代謝標記,,,Kojak Both pLink 2,644 1738 1738,28.3% 2.4% 4.7%,,,Kojak

22、 Both pLink 2,134 279 251,47.8% 1.8% 11.2%,復雜樣品：15N labeled E. coli，F(xiàn)DR小于等于5%，只看交聯(lián)結(jié)果紫色：NaN比值的比例,即沒有一級譜圖輕、重信號對兒證據(jù)的結(jié)果比例,譜圖層次,肽段層次,CNCP 2016,40,干、濕技術(shù)結(jié)合：pLink2支持可碎裂

23、交聯(lián),特征峰減少搜索空間減少譜圖數(shù)目,41,CNCP 2016,干、濕技術(shù)結(jié)合：pLink2支持可碎裂交聯(lián),特征峰減少搜索空間可以得到單肽的母離子質(zhì)量，開放式搜索 限定式搜索減少譜圖數(shù)目沒有特征峰的是單肽，有特征峰的為交聯(lián)肽段,42,CNCP 2016,pLink2支持可碎裂交聯(lián),,43,10524MSMS,716MSMS,含有特征峰,pLink2DSSO,pLinkIon-Index,流程1,流程

24、2,流程3,利用特征峰信息搜索兩條單肽高效的限定式搜索,不利用特征峰信息搜索雙肽開放式搜索：離子索引,Liu, F., et al., Nat Methods, 2015. 12(12): p. 1179-84.,CNCP 2016,干、濕技術(shù)結(jié)合：速度提升160倍,44,縮減譜圖數(shù)目,縮減搜索空間,Intel® Xeon® E5-2670（主頻2.6GHz ），單線程,與Kojak對比： “四線程”

25、“1萬張二級譜圖”“人庫”“約50分鐘”干、濕技術(shù)結(jié)合：“單線程”“1萬張二級譜圖”“人庫”“不到2分鐘”,CNCP 2016,總結(jié),在這個報告之前“搜索人庫的交聯(lián)肽段”？,45,CNCP 2016,總結(jié),在這個報告之前“搜索人庫的交聯(lián)肽段”？,46,CNCP 2016,總結(jié),在這個報告之后“搜索人庫的交聯(lián)肽段”？,47,CNCP 2016,總結(jié),速度干：使用多線程、離子索引等技術(shù)“1萬張二級譜圖”“人庫”“約50分鐘

26、”干、濕結(jié)合：pLink支持可碎裂交聯(lián)“1萬張二級譜圖”“人庫”“不到2分鐘”精度在標注集和標記數(shù)據(jù)集上，可信度較高建議：可以考慮下“富集”問題（Tan et al. 2016）,48,CNCP 2016,致謝,49,董夢秋實驗室Cross-linkER楊兵 博士朱明 博士盧珊 博士譚丹 博士董夢秋 研究員,CNCP 2016,致謝,50,pFind團隊pLinkER吳妍潔 碩士 樊盛博

27、 博士孟佳明 碩士尹吉澧 碩士賀思敏 研究員,CNCP 2016,謝謝！,訪問http://pfind.ict.ac.cn/獲取更多信息,51,,,,,,,,,,,,,,,,,,,,,,,,,2016,2003,2009~2010,2012,2014~2015,pFind v1.0 問世,發(fā)布pTop 、pQuant,pFind 第一次實戰(zhàn)發(fā)布pNovo,發(fā)布pLink1,發(fā)布pFind 3 pLink 2pGly