文獻閱讀:從數百次試驗條件獲得的LC/MS/MS數據中獲得蛋白質定量信息

從數百次試驗條件獲得的LC/MS/MS數據中獲得蛋白質定量信息分析測試百科網LN A$U7mZw
Zia Khan, Joshua S. Bloom, Benjamin A. Garcia, Mona Singh, and Leonid Kruglyak
3`Q4|H!|(o0PNAS, 2009, 106 15544–15548 分析測試百科網5w&m(I6puxb
在三、四年前談到定量蛋白質組學研究，大家會不假思索的列出很多方法，從最初的2D gel, 到各種化學標記方法和代謝標記方法，對基于label-free的方法研究只是零星的出現在Anal Chem等雜志上。大概在兩年前，關于非標記定量的文章開始多起來，最近Label-free 定量策略越來越受到蛋白質組學研究人員的重視。值得一提的是剛剛發表的人類肝臟蛋白質組數據中也大篇幅的應用了label-free的算法。現在，國外研究者已經提出了很多算法和策略，遺憾的是在我國還沒有研究者提出具有完全自主的label-free策略的算法，大部分都還是跟蹤和改進國外同行的算法，這不能不說是相當遺憾的一件事情。來自普林斯頓大學的Zia Khan及其合作者在PNAS上發表了他們關于從大量質譜試驗數據中獲取蛋白質定量信息的方法。分析測試百科網 W;pP fX+G
從大規模的試驗數據(如數百次的LC/MS/MS數據)中獲取蛋白質的定量信息（豐度信息）是很罕見的。相反，在轉錄本的豐度研究中卻經常從數百計的試驗和重復中獲取信息。這種狀況的存在，部分原因是因為從大量蛋白質組數據中提取定量資料要比從微陣列芯片中讀取基因表達信息要困難的多。為了解決從大量重復質譜數據中提取定量信息困難得問題，普林斯頓大學的研究人員提出了兩種算法來處理蛋白質組數據。第一，他們用空間-分割數據結構來處理大規模的數據。第二，在從打規模試驗數據中收集蛋白質相對豐度的過程中，他們引進了所謂圖像理論算法結合空間-分割數據結構的技術。作者用數個數據集驗證了他們的算法（近472個LC/MS/MS試驗數據），包括定量蛋白質豐度信息及定量信息的精確度都要優于前人報道的結果。 
7Fi;H~
D0