SpectroDive
2024
在生物学的宏大画卷中，蛋白质扮演着不可或缺的角色。蛋白质组学近年也迎来了快速的发展，而今天，我们将聚焦于一个令人振奋的研究领域——靶向蛋白质组学（Targeted Proteomics），它如同一把精确的钥匙，正在为我们打开通往个性化医疗和疾病理解的新大门。
在靶向蛋白质组学研究中，SpectroDive承担了重要的数据分析角色，在软件的使用中，贯穿一个很重要的概念——Panel。接下来，让我们走进SpectroDive，去看看怎么建立panel吧！
首先，我们需要了解，Panel是什么 ？
Panel就是目标蛋白质的母-子离子对列表，包含我们要靶向肽段的母离子对应的保留时间（非必须）、电荷数、质荷比，及其碎裂出的碎片离子的电荷数、质荷比等信息。
其次，Panel的作用是什么？
Panel一方面可以为我们进行质谱扫描提供目标；另一方面为我们进行数据分析即目标峰的提取提供参照。
最后，如何在软件中创建一个Panel？
有以下三种途径。
基于已经构建好的Library进行构建
在软件的Prepare功能界面，在左下角依次选择：Generate New Panel from Library → Select a spectral Library → Next → Add In-Silico Peptides (Optionally) → Next → Protein Group Filter → Precursor Filter → Fragment Filter → workflow select → Select peptide label position (Optionally) → Next → Panel review → Next → Finish
按照以上步骤依次选择目标蛋白质、蛋白质对应的特异性肽段、以及碎片离子，并为新的Panel命名，点击finish后即可自动生成Panel，下面展示详细步骤。
PS：高亮显示部分为可选项，为Version 12.0以上版本所增加的功能
如果有些蛋白质在Library中没有鉴定到，我们可以通过勾选Add In-Silico Peptides，对目标蛋白质进行理论预测（如下图）：
输入需要靶向的蛋白ID，谱图库中包含的蛋白会显示在左侧窗口的Empirical Proteins栏（如下图），谱图库中未鉴定到的蛋白会显示在In-Silico Proteins栏，该部分可基于AI进行理论预测：
如图所示，绿色框中带有大脑标志的肽段即基于AI预测出来的肽段:
Workflow select
适用场景：指定实验的类型
Workflow参数设置：
Label free：非标定量实验，只含有一个通道；
Label: 标记定量实验，含有多个通道，需要进一步指定通道数量及各通道对应的标记类型；
Spike in：掺入重标肽段的定量实验，含有两个通道，需要进一步指定各通道的类型，数据分析时重标通道作为参照；
Inverted spike in：与Spike in相反，数据分析时轻标通道作为参照。
以Spike-in（K/R标记）为例，设置如下：
Channel需要选中两个，第一个channel用于内源性肽段搜库，无需设置标记，只需勾选；第二个channel用于标记肽段搜库，需要勾选并填写标记类型。
Select peptide label position
适用场景：当目标肽段上含有多个潜在的修饰/标记位点时，可以在此处对应氨基酸位置修改（添加/删除）修饰/标记发生的位点，如下图：
以此肽段为例，如果标记只发生在肽段的末端，此时我们可以鼠标点击Channel 2 中的K氨基酸对应的“Lys8”其右上角出现“×”时即可点击删除。
此功能解决了In-silico Generate Missing Channels产生的多余的标记清除问题。
基于FASTA预测（SD 12以上的版本支持）
在新版本中，可以直接在物种序列库中，选择目标蛋白质。同样，在Prepare功能界面选择Generate New Panel from FASTA → Select a database → Next → Select settings for in-silico peptide generation → Select a spectral library (Optionally，用于AI模型的优化) → Next → Protein Group Filter → Precursor Filter → Fragment Filter → workflow select → Select peptide label position (Optionally) → Next → Panel review → Next → Finish。
其余参数设置与上一种构建方法一致。
基于理论序列预测（SD 12以上的版本支持）
Generate New Panel from Sequence List → Paste your peptides of interest → Next → Select a spectral library (Optionally，用于AI模型的优化) → Next → Precursor Filter → Fragment Filter → workflow select → Select peptide label position (Optionally) → Next → Panel review → Next → Finish
PS: 其中途径2、3可以直接（基于软件内置的机器学习模型）进行序列的理论预测，亦可根据某个特定的Library（即高亮显示的步骤）对AI模型进行优化，再进行预测。后者相较于前者模型的特异性会更高，前提是该Library与我们将要进行PRM扫描的仪器系统条件一致性高，越一致预测结果越好。