Proteomics plays a central role in understanding complex disease mechanisms, especially since it is well known that the effectors of biological functions are mostly proteins. Beside classical gel-based techniques especially Mass Spectrometry (MS) has emerged as the standard technique for proteomics experiments. MS-based proteomics has evolved into several different and partly complementary technologies. In this thesis we have analyzed data generated by the three complementary technologies: Matrix-Assisted Laser Desorption/Ionization (MALDI), Isobaric Tags for Relative and Absolute Quantitation (iTRAQ) and 2D Difference Gel Electrophoresis (DIGE). The three technologies are applied to an obesity-induced mouse model in order to gain relevant knowledge on biological processes involved in diabetes. The primary goal of this thesis is to develop and implement specifically tailored data analysis methods for each technology with the aim to improve quality and reliability of the results compared to standard evaluation workflows. The developed methods benefit from the fact that in proteomics a single protein is typically represented by several peptides showing more or less similar measurements. Combining this similarity information and advanced statistical testing, we are able to identify sets of potential biomarkers that may play an important role in diabetes disease mechanisms. The identified biomarkers are very well suited for building a classification engine to predict disease relations. However, peptides derived from the same protein may also show contradictory quantitations (e.g. a protein is two-fold up regulated and two- fold down regulated at the same time). This could be due to technical artifacts or biological properties (e.g. protein isoforms). We try to resolve these contradictions with PPINGUIN, a workflow developed for the reliable quantitation of iTRAQ experiments. Application of the developed methods leads to improved results compared to standard data evaluation methods. The three technologies have a complementary character and therefore a direct comparison is difficult and shows only a small overlap. But a comparison based on the more abstract level of biochemical pathways shows a surprisingly good agreement of the results. In order to better understand the complex processes involved in diabetes a major challenge remains in integrating the results with other ’omics’ technologies.
Für das Verständnis von komplexen Krankheitsmechanismen ist Proteomics von zentraler Bedeutung, besonders da biologische Funktionen hauptsächlich von Proteinen ausgeführt werden. Neben klassischen Gel-basierten Verfahren hat sich vor allem Massenspektrometrie als Standardtechnologie für Proteomics- Experimente etabliert. Verschiedene, zum Teil komplementäre Technologien wurden entwickelt um Proteine zu untersuchen. In dieser Arbeit wurden drei verschiedene Technologien: MALDI, iTRAQ, und DIGE auf ein Maus-Modell angewandt. Das Ziel dabei ist wichtige Diabetis-bezogene biologische Prozesse zu analysieren. Das Hauptziel der vorliegenden Arbeit ist es, für jede der Technologien eine spezifische Datenanalysestrategie zu entwickeln, um die Qualität und die Reliabilität der Ergebnisse im Vergleich zu herkömmlichen Auswertungen zu verbessern. Eine wichtige Eigenschaft von Proteomics Experimenten ist, dass ein einzelnes Protein oft durch eine Vielzahl von Peptiden charakterisiert wird. Die entwickelten Datenanalysestrategien machen sich diese Eigenschaft zu Nutze. Peptide, die vom selben Protein stammen, zeigen häufig ähnliche Messwerte. Diese Ähnlichkeit kombiniert mit statistischen Tests ermöglicht es, potentielle Biomarker zu identifizieren, die eine wichtige Rolle für Diabetis spielen. Die so identifizierten Biomarker sind sehr gut geeignet, um krankheitsrelevante Assoziationen zu prädizieren. Allerdings kommt es des Öfteren vor, dass Peptide, die vom selben Protein stammen ein widersprüchliches Signal aufweisen (z.B. Peptide die zweifach hoch- und andere die zweifach runter-reguliert sind). Dieser Widerspruch kann entweder ein technisches Artefakt oder aber eine biologische Eigenart (z.B. Proteinisoformen) sein. Um diesen Widerspruch aufzulösen wurde PPINGUIN entwickelt, ein Workflow für die verlässliche Quantifikation von iTRAQ Daten. Im Vergleich zu herkömmlichen Auswertungen führen die entwickelten Verfahren zu verlässlicheren Ergebnissen. Ein direkter Vergleich der drei Technologien wird durch den komplementären Charakter erschwert und führt auch nur zu wenigen Übereinstimmungen. Vergleicht man die Ergebnisse aber auf einem abstrakteren Level von molekularen Pathways, so ist der Überlap der unterschiedlichen Methoden erstaunlich hoch. Dennoch liegt die wohl größste Herausforderung um komplexe Krankheitsmechanismen in Zukunft besser zu verstehen in der Integration mit anderen ’Omics’-Technologien.
