Computational methods for Quantitative Peptide Mass Spectrometry

Abstract

Das Thema dieser Arbeit sind Algorithmen für die Analyse vom Füssigchromatographie-Massenspektrometrie (LC-MS) Daten. Das Ergebnis eines LC-MS experiment wird LC-MS Map genannt. Die Map ist eine Gruppe von Massenspektren. Mit Hilfe der Massenspektrometrie lassen sich komplexe biologische Proben auf ihre Zusammensetzung untersuchen. In Kombination mit Fl¨ussigchromatographie ist sie zu einem wichtigen Werkzeug in der Proteomik geworden. Die Proteomik umfasst die Erforschung des Proteoms, das heißt der Gesamtheit aller in einer Probe vorhandenen Proteine und Peptide. Proteomik als wissenschaftliche Disziplin ist den letzten Jahren sehr populär geworden, da Proteine essentielle Reaktionen in der Zelle steuern und als wichtige Angriffspunkte für die Diagnose und Heilung von Krankheiten gelten. Diese Arbeit enthält drei neue wissenschaftliche Beiträge. Der erste ist SweepWavelet, ein Algorithmus zur Quantifizierung von Peptiden aus LC-MS Daten. Die akkurate Quantifizierung von Peptiden und Proteinen ist ein wichtiges Thema in der biomedizinischen Forschung, da sie der erste Schritt in der rechnergestützten Analyse von LC-MS Daten ist. Alle weiteren Schritte hängen von einer präzisen und zuverlässigen Quantifizierung ab. Im Gegensatz zu bestehenden Verfahren ist unser Algorithmus flexibel, schnell und kann leicht an Datensätze von verschiedenen LC-MS Instrumenten angepasst werden. Unser Algorithmus besteht aus drei Schritten: wir verwenden eine Wavelet Funktion um Peptidsignale aus den LC-MS Daten herauszufiltern und Hintergrundrauschen zu unterdr¨ucken. Danach benutzen wir die sweep-line Methode aus der algorithmischen Geometrie um effizient die Position der Peptidsignale im LC-MS Datensatz zu bestimmen und ihre Abundanz zu schätzen. Im dritten Teil des Algorithmus verwenden wir ein flexibles Modell von LC-MS Peptidsignalen um falsch positive Signale zu entfernen. Der zweite Teil dieser Arbeit widmet sich dem Vergleich von Algorithmen zur Peptidsignalerkennung und -quantifizierung. Dies ist ein schwieriges Unterfangen, da man in echten LC-MS Experimenten im Voraus nicht mit Sicherheit bestimmen kann, welche Substanzen in der LC-MS Map als Signale auftreten und welche nicht. Deshalb sind die Resultate von Algorithmen oft schwer zu beurteilen. Wir führen Vergleiche auf echten und simulierten Daten durch. Zu diesem Zweck haben wir eine Simulationssoftware f¨ur LC-MS Experimente entwickelt. Diese Software, LC- MSsim, simuliert alle Teilschritte eines LC-MS Experiments, u.a. die Vorhersage von Retentionszeiten, Elutionsprofile und Hintergrundrauschen in den Spektren. Das Ergebnis einer Simulation ist ein künstlicher LC-MS Datensatz mit einer Liste der Positionen, Ladungen und Intensitäten aller Peptidsignale. Wir verwenden den Simulator um verschiedene Algorithmen zur Peptidquantifizierung zu vergleichen. Die Software ist unter einer Open Source Lizenz frei verfügbar. LC-MSsim ist die erste frei verfügbare Software, welche vollständige LC-MS Datensätze inklusive die wichtigsten experimentellen Schritte simulieren kann. Der dritte Beitrag dieser Arbeit ist eine neue statistische Methode zur Erkennung von Ausreißern bzw. Datensätzen schlechter Qualität in LC-MS Studien. Diese Methode basiert auf einer projection pursuit Version der Hauptkomponentenanalyse. Der Vorteil des projection pursuit Ansatzes ist seine Robustheit gegenüber Ausreißern. In anderen wissenschaftlichen Gebieten, wie z.B. der Genexpressionsanalyse, sind Methoden zur Qualitätskontrolle weit verbreitet. Unsere Methode gehört jedoch zu den ersten die sich der Qualitätskontrolle in LC-MS gestützten Studien widmet. Gerade in Hochdurchsatzexperimenten ist es äußerst wichtig, schlechte Messungen schnell entfernen zu können, um aussagekräftige Ergebnisse zu erhalten. Wir evaluieren unsere Methode auf simulierten und echten Daten und zeigen, dass wir Ausreißer schnell und präzise identifizieren können.

This thesis presents algorithms for the analysis of liquid chromatography-mass spectrometry (LC-MS) data. Mass spectrometry is a technology that can be used to determine the identities and abundances of the compounds in complex samples. In combination with liquid chromatography, it has become a popular method in the field of proteomics, the large-scale study of proteins and peptides in living systems. This area of research has gained a lot of interest in recent years since proteins control fundamental reactions in the cell. Consequently, a deeper knowledge of their function is expected to be crucial for the development of new drugs and the cure of diseases. The data sets obtained from an LC-MS experiment are large and highly complex. The outcome of such an experiment is called an LC-MS map. The map is a collection of mass spectra. They contain, among the signals of interest, a high amount of noise and other disturbances. That is why algorithms for the low-level processing of LC-MS data are becoming increasingly important. These algorithms are the focus of this text. Our novel contributions are threefold: first, we introduce SweepWavelet, an algorithm for the efficient detection and quantification of peptides from LC-MS data. The quantification of proteins and peptides using mass spectrometry is of high interest for biomedical research but also for the pharmaceutical industry since it is usually among the first steps in an LC-MS data analysis pipeline and all subsequent steps depend on its quality. Our approach was among the first to address this problem in a sound computational framework. It consists of three steps: first, we apply a tailored wavelet function that filters mass spectra for the isotope peaks of peptides. Second, we use a method inspired by the sweep-line paradigm which makes use of the redundant information in LC-MS data to determine mass, charge, retention time and abundance of all peptides. Finally, we apply a flexible peptide signal model to filter the extracted signals for false positives. The second part of this thesis deals with the benchmarking of LC-MS signal detection algorithms. This is a non-trivial task since it is difficult to establish a ground truth using real world samples: which sample compounds become visible in an LC-MS data set is not known in advance. To this end, we use annotated data and simulations to assess the performance of currently available algorithms. To simulate benchmark data, we developed a simulation software called LC-MSsim. It incorporates computational models for retention time prediction, peptide detectability, isotope pattern and elution peaks. Using this software, we can simulate all steps in an LC-MS experiment and obtain a list with the positions, charges and abundances of all peptide signals contained in the resulting LC-MS map. This gives us a ground truth against which we can match the results of a signal detection algorithm. In this thesis, we use it for the benchmarking of quantification algorithms but its scope is wider and it can also be used to evaluate other algorithms. To our knowledge, LC-MSsim is the first software that can simulate the full LC-MS data acquisition process. The third contribution of this thesis is a statistical framework for the quality assessment of quantitative LC-MS experiments. Whereas quality assessment and control are already widespread in the field of gene expression analysis, our work is the first to address this problem for LCMS data. We use methods from robust statistics to detect outlier LC-MS maps in large-scale quantitative experiments. Our approach introduces the notion of quality descriptors to derive an abstract representation of an LC-MS map and applies a robust principal component analysis based on projection pursuit. We show that it is sensible to use robust statistics for this problem and evaluate our method on simulated maps and on data from three real-world LC-MS studies.