在重复测量设计和同标签的实验中,对差异丰富的蛋白质的统计检测
Ting Huang1, Mateusz Staniak2, Felipe da Veiga Leprevost3
1Khoury College of Computer Sciences, Northeastern University, Boston, Massachusetts 02115, United States.
Journal of proteome research
|July 19, 2023
概括
本研究引入了线性混合效应模型,用于分析来自重复测量和双重质量标记 (TMT) 实验的蛋白质组学数据. 该方法有效地区分生物变异,并提高了检测蛋白质丰度变化的统计能力.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 统计建模 统计建模
- 生物信息学是一种生物信息学.
背景情况:
- 重复测量设计在质谱蛋白质组学中很常见,用于分析随时间或条件的蛋白质丰度.
- 协同质量标签 (TMT) 标签提高了蛋白质组学中的量化准确性和样本吞吐量.
- 将重复测量与TMT复合集成,由于复杂的变异源,这给统计学带来了挑战.
研究的目的:
- 为蛋白质组学实验的差异分析提出统计框架,包括重复测量和TMT复杂化.
- 解决各种变化组件 (混合物之间,混合物内的,主体之间的,主体内的) 相互作用所产生的统计挑战.
- 提供一种可靠的方法来推断差异性蛋白质丰度,同时考虑到实验设计的具体情况.
主要方法:
- 开发一系列针对蛋白质组学数据的线性混合效应模型,使用重复测量和TMT标签.
- 数据变异的分解成来自不同来源的贡献.
- 在R/生物导体包中提出的模型的实施MSstatsTMT v2.2.0.0.
主要成果:
- 提出的模型成功地分解了变异,并使不同蛋白质丰度的统计推断成为可能.
- 这种方法解释了不同主体之间的不确定性与主体内的不同不确定性.
- 对模拟和现实数据集的评估表明,拟议的方法优于现有的通用方法.
结论:
- 开发的线性混合效应模型提供了一种强大而准确的方法来分析复杂的蛋白质组学实验,包括重复测量和TMT复合.
- MSstatsTMT v2.2.0为研究人员提供了一种有价值的工具,可以更深入地了解这种设计中的蛋白质表达变化.
- 这种方法在大规模的蛋白质组学研究中提高了统计能力和可靠性.
