Deep learning enables de novo peptide sequencing from data-independent-acquisition mass spectrometry

Tran, N.H. et al.

Nature Methods

BSI发表了基于de novo肽段检测方法用于的DIA质谱数据分析算法：DeepNovo-DIA。我们采用了基于神经网络的算法获取母离子和碎片离子的m/z，保留时间和强度等维度的信息，进一步与肽段序列特征深度进行整合来解决高度卷积的DIA谱图De Novo分析难题。该方法已在最新版本的Peaks X+中得到应用。

DeepIso: A Deep Learning Model for Peptide Feature Detection from LC-MS map

Zohora, F.T. et al.

Sci Rep

BSI发表了基于深度学习模型进行肽段特征峰预测的工具DeepIso来解决高度复杂的蛋白质组学数据中谱峰归属和定量的难点。我们采用了神经卷积网络（CNN）和递归神经网络（RNN）两套算法预测LC谱峰强度和电荷分布，在测试数据中实现了高达97.43%的MS/MS谱图的肽段色谱特征峰预测。

Analysis of 1508 Plasma Samples by Capillary-Flow Data-Independent Acquisition Profiles Proteomics of Weight Loss and Maintenance.

Bruderer R et al.

Molecular & Cellular Proteomics

Biognosys构建了一套基于毛细管电泳DIA的检测平台用于快速稳定检测大规模临床样品的平台。该平台每天可以检测31个血浆样本，在同一个色谱柱上共检测成功1508个样本，数据质量、稳定性均证明了大规模临床样本的DIA检测的可行性。

Surpassing 10 000 Identified and Quantified Proteins in a Single Run by Optimizing Current LC-MS Instrumentation and Data Analysis Strategy.

Muntel J et al.

Molecular Omics

Biognosys尝试通过改进色谱和数据分析方法实现人组织样品单针检测超过10000个蛋白质，横跨6个动态范围。该方案利用了深度覆盖的多肽谱图库结合DirectDIA方法构建混合库实现了如此之高的覆盖度。

Comparison of Protein Quantification in a Complex Background by DIA and TMT Workflows with Fixed Instrument Time.

Muntel J et al.

Journal of Proteome Research

Biognosys研究比较了两种最常用的定量方法，基于非标记的DIA和基于三级定量的10-plex TMT技术。比较分析流程中加入了相同的标肽用于检验定量效果，最终我们证明了两种方法均可以实现高蛋白质组覆盖度和低缺失值定量。相比较而言，TMTSPS技术在序列覆盖度和定量精确度上略胜一筹，DIA技术则胜在定量准确性和样品规模的高扩展性上。

Combining Precursor and Fragment Information for Improved Detection of Differential Abundance in Data Independent Acquisition.

Huang T et al.

Molecular & Cellular Proteomics

Biognosys和Thermo Fisher合作通过使用一种全新的统计策略整合了DIA数据中MS1和MS2的定量信息用了更可靠、更高覆盖度的寻找差异变化的蛋白质。同时也证明了联用两类定量数据可以有效地改进定量精确性并消除各自方法包含的定量干扰信息。该方法在多套含有混样质控的数据集中成功的定量到了高度一致的差异蛋白结果。

另外易算生物也与复旦大学合作在Nature Comm上发表了DeepDIA，用于预测DIA分析的深度覆盖谱图库的算法。详情参见上期公众号。

以下是应用我司DIA分析软件进行DIA定量研究的部分文献

Oncogenic Mutations Rewire Signaling Pathways by Switching Protein Recruitment to Phosphotyrosine Sites.

Lundby A et al.

Cell

Olsen课题组的研究者开发了一套基于质谱的相互作用蛋白质组检测方法，揭示了体内依赖于EGF的酪氨酸磷酸化信号网络。该方法基于最新质谱仪器和DIA技术开发，实现了快速和高通量的同时检测上千个酪氨酸磷酸化位点。

Sensitive Quantitative Proteomics of Human Hematopoietic Stem and Progenitor Cells by Data-independent Acquisition Mass Spectrometry.

Amon S et al.

Molecular & Cellular Proteomics

Ruedi课题组的研究者开发了一套自动化定量微量细胞样品的蛋白质组分析流程。通过荧光激发分选细胞，作者进一步使用DIA方法对造血干细胞和前体细胞进行了定量蛋白质组学研究。其中通过对25000个造血干细胞的检测得到了平均5800个蛋白Group，从而将单细胞蛋白质组学的检测进一步实用化。

Prosit: Proteome-wide Prediction of Peptide Tandem Mass Spectra by Deep Learning.

Gessulat S et al.

Nature Methods

   慕尼黑科技大学的研究者基于深度神经网络开发了名为Prosit的谱图预测算法，构建了一套高质量的DIA谱图库用于改进宏蛋白组的谱图库数据质量。Prosit通过学习并预测了肽段的保留时间、信号强度等信息，且数据质量能够高于相应的质谱产生的实验数据。只需要提供理论肽段序列信息，该工具就可以构建任何物种的谱图数据库。

Lysine Harvesting is an Antioxidant Strategy and Triggers Underground Polyamine Metabolism.

Olin-Sandoval V et al.

Nature

Lipid Signaling Drives Proteolytic Rewiring of Mitochondria by YME1L.

MacVicar T et al.

Nature

Abundance of Bacterial Type VI Secretion System Components Measured by Targeted Proteomics.

Lin L et al.

Nature Communications

Combining Rapid Data Independent Acquisition and CRISPR Gene Deletion for Studying Potential Protein Functions: A Case of HMGN1.

Mehnert M et al.

Proteomics

Glyco-DIA: A Method for Quantitative O-glycoproteomics with in Silico-boosted Glycopeptide Libraries.

Ye Z et al.

Nature Methods

Dietary Sugars Alter Hepatic Fatty Acid Oxidation via Transcriptional and Post-translational Modifications of Mitochondrial Proteins.

Softic S et al.

Cell Metabolism

Comparison of Drosophila Melanogaster Embryo and Adult Proteome by SWATH-MS Reveals Differential Regulation of Protein Synthesis, Degradation Machinery, and Metabolism Modules.

Fabre B et al.

Journal of Proteome Research

Ombrato L et al.

Nature

Systematic Comparison of Strategies for the Enrichment of Lysosomes by Data Independent Acquisition.

Singh J et al.

Journal of Proteome Research

Plasma Proteome Profiling Discovers Novel Proteins Associated with Non-alcoholic Fatty Liver Disease.

Niu L et al.

Molecular Systems Biology

    2020年，我们相信随着仪器、方法、软件等的进一步成熟，DIA技术必将得到广泛应用。如果您的实验室还在犹豫、害怕方法转换的难度。欢迎随时和我们联系，在我们的指导下必能最快速度的将最新的技术和方法快速用于自身的生物学问题的解答中去。

上海易算生物科技有限公司 转载请注明出处

更多蛋白质组学技术信息请参阅我们的官方网站：

www.omicsolution.com

若有任何疑问，欢迎邮件或来电咨询：

marketing@omicsolution.com

support@omicsolution.com

+86-18221381405