各大著名实验室合作 Nature子刊发布蛋白质组学重要技术飞跃

　　——德国美因兹大学的科学家开发出一种提高蛋白测量技术性能和标准的新方法

生物通报道：现代质谱系统帮助科学家们确定了细胞或者组织样品的具体组分，但是这里存在一个问题——不同分析软件包从相同的原始数据往往会产生不同的结果。

为了解决这个问题，来自德国美因兹大学的一组研究人员通过与这一领域各大著名实验室合作，比较和修改各种分析软件包，令不同的软件产生一致的结果。这对于世界各地的实验室来说无疑是一道福音，这样研究人员就能进行标准化分析比对定量蛋白质组学检测结果，而这也正是检测某些疾病，如癌症早期阶段的关键所在。

这一研究成果公布在10月26日的Nature Biotechnology杂志上，领导这一研究的是美因兹大学Stefan Tenzer教授。

对于某些特定疾病，医师们为了了解它的病理原因，会采样通过现代组学技术分析疾病生物标记，这些高度复杂的数据分析当然需要专门的软件，然而不幸的是，不同软件有时会从相同的原始数据得到不同的结果，导致分析变得复杂。

这也正是Tenzer教授这项研究的出发点，“我们想要找到一种最佳比对样品的方法，”两位生物信息学专家：Pedro Navarro 和 Jörg Kuharev研发了一种特殊软件，他们将其命名为 LFQbench 。这一软件能详细分析各种软件程序之间的差异。“利用 LFQbench，我们发现不同程序获得的结果存在巨大差异。”

“这一发现对于该领域研究来说具有重要意义，不过我们还更进了一步：我们与各个团队的研发主创们合作，修改完善了这些分析软件，让他们产生相一致的结果，”Tenzer说。

这拓宽了质谱技术在定量蛋白质组学中的应用。“这意味着未来质谱联用技术将为基础研究和临床诊断带来更多的应用。”

“这是基于质谱的定量蛋白质组学研究的一大突破，从而这种方法能作为标准程序应用到多种疾病诊断中，比如癌症，过敏等，”美因兹大学的首席科学官Ulrich Förstermann教授说，“我感到特别自豪，我们研究人员做出如此有影响力的成果。”

最近几年，Tenzer教授一直致力于基于质的谱定量蛋白质组学技术的改进。这些方法能帮助研究人员重复检测和量化分析成千上万的细胞、组织或体液，从中找到样品中的差异表达蛋白，“多年的研究，尤其是通过国际相互，我们获得了这一质谱定量蛋白组学的飞跃成果。”

（生物通：张迪）

原文摘要：

A multicenter study benchmarks software tools for label-free proteome quantification

Consistent and accurate quantification of proteins by mass spectrometry (MS)-based proteomics depends on the performance of instruments, acquisition methods and data analysis software. In collaboration with the software developers, we evaluated OpenSWATH, SWATH 2.0, Skyline, Spectronaut and DIA-Umpire, five of the most widely used software methods for processing data from sequential window acquisition of all theoretical fragment-ion spectra (SWATH)-MS, which uses data-independent acquisition (DIA) for label-free protein quantification. We analyzed high-complexity test data sets from hybrid proteome samples of defined quantitative composition acquired on two different MS instruments using different SWATH isolation-window setups. For consistent evaluation, we developed LFQbench, an R package, to calculate metrics of precision and accuracy in label-free quantitative MS and report the identification performance, robustness and specificity of each software tool. Our reference data sets enabled developers to improve their software tools. After optimization, all tools provided highly convergent identification and reliable quantification performance, underscoring their robustness for label-free quantitative proteomics.