Waiting
Elaborazione accesso...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biochemistry
Click here for the English version

Biochemistry

En integrert arbeidsflyt for identifisering og kvantifisering på FDR-kontrollbasert ikke-målrettet metabolom

Published: September 20, 2022 doi: 10.3791/63625
Automatic Translation
*1, *1, 2, 1,2
1Key Laboratory of Functional Protein Research of Guangdong Higher Education Institutes and MOE Key Laboratory of Tumor Molecular Biology, Institute of Life and Health Engineering, College of Life Science and Technology, Jinan University, 2Chi-Biotech Co. Ltd.
* These authors contributed equally

Summary

Vi konstruerte en ikke-målrettet metabolomisk arbeidsflyt som integrerte XY-Meta og metaX sammen. I denne protokollen viste vi hvordan du bruker XY-Meta til å generere et lokkeduespektralbibliotek fra åpen tilgangsspektrareferanse, og deretter utførte FDR-kontroll og brukte metaX til å kvantifisere metabolittene etter å ha identifisert metabolomics-spektrene.

Abstract

Målrettede metabolomics-teknikker blir mye brukt de siste årene. Den raskt økende gjennomstrømningen og antall prøver skaper imidlertid en enorm mengde spektra, noe som gir utfordringer for kvalitetskontroll av massespektrometrispektrene. For å redusere falske positiver, er kvalitetskontroll av falsk oppdagelsesrate (FDR) nødvendig. Nylig utviklet vi en programvare for FDR-kontroll av ikke-målrettet metabolomidentifikasjon som er basert på en Target-Decoy-strategi kalt XY-Meta. Her demonstrerte vi en komplett analysepipeline som integrerer XY-Meta og metaX sammen. Denne protokollen viser hvordan du bruker XY-meta til å generere en lokkedatabase fra en eksisterende referansedatabase og utføre FDR-kontroll ved hjelp av Target-Decoy-strategien for storskala metabolomidentifikasjon på et datasett med åpen tilgang. Differensialanalysen og merknaden av metabolitter ble utført etter å ha kjørt metaX for påvisning og kvantifisering av metabolitttopper. For å hjelpe flere forskere utviklet vi også en brukervennlig skybasert analyseplattform for disse analysene, uten behov for bioinformatikkferdigheter eller dataspråk.

Introduction

Metabolitter spiller viktige roller i biologiske prosesser. Metabolitter er ofte regulatorer av ulike prosesser som energioverføring, hormonreguleringer, regulering av nevrotransmittere, cellulær kommunikasjon og protein etter translasjonelle modifikasjoner, etc. 1,2,3,4. Ikke-målrettet metabolomikk gir et globalt syn på mange metabolitter 5,6. Med fremskritt innen massespektrometri og kromatografiteknologier øker gjennomstrømningen av metabolom MS / MS-spektra raskt de siste årene 7,8,9,10,11. For å identifisere metabolitter fra disse enorme datasettene ble det utviklet forskjellige merknadsprogramvare11, for eksempel MZmine12, MS-FINDER13, CFM-ID14, MetFrag15 og SLAW16. Imidlertid inneholder disse identifikasjonene ofte mange falske positiver. Årsakene inkluderer: (1) MS / MS-spektrene inneholder tilfeldig støy, noe som kan villede toppmatchingen. (2) Isomerer og forskjeller i fragmenteringsenergier forårsaker flere spektra fingeravtrykk og øker dermed volumet av referansebiblioteket. (3) Kvaliteten på referansebibliotekene varierer. En skikkelig standard for å bygge et godt referansespektralbibliotek er nødvendig. Derfor er en systematisk falsk oppdagelsesrate (FDR) kontroll for ikke-målrettet metabolomikk avgjørende for funksjonell metabolomforskning 7,8,9,17.

Både Den empiriske Bayes-tilnærmingen og Target-Decoy-strategien taklet FDR-kontrollproblemet generelt. Kerstin Scheubert og medarbeidere viste at Target-Decoy-strategien på lokkedatabase generert fra fragmenteringstrebasert metode er den beste metoden for FDR-kontroll9. Xusheng Wang og medarbeidere utviklet en metode for lokkeduegenerering basert på oktetregelen i kjemi og forbedret presisjonen i FDR-estimering17. Spektralbiblioteket for generering av lokkedatabase ble demonstrert for bedre ytelse18. Her forbedret vi den spektralbibliotekbaserte metoden og utviklet en programvare kalt XY-Meta19 som kan forbedre FDR-estimeringens presisjon ytterligere. Den bruker det eksisterende referansespektralbiblioteket til å generere et lokkebibliotek for FDR-kontrollen under Target-Decoy-ordningen. XY-Meta støtter sine egne spektramatchings- og cosinuslikhetsalgoritmer. Det tillater konvensjonelle søke- og iterative søkemoduser. I trinnet med FDR-vurdering støtter den Target-Decoy-konkatenert modus og separert modus. For bedre fleksibilitet godtar XY-Meta eksterne lokkebiblioteker.

Toppdeteksjon og kvantifisering av metabolitter er også et viktig skritt i ikke-målrettet metabolomanalyse. Toppdeteksjon er den viktigste metoden for metabolomidentifikasjon. Generelt ble nøyaktigheten av toppdeteksjon av metabolitter påvirket av flere faktorer, for eksempel støysignaler fra massespektrometri, lav overflod av metabolitter, kontaminanter og nedbrytningsprodukter av metabolitter20. Når antall prøver av er for store eller væskekromatografikolonnen ble erstattet i eksperimenter med ikke-målrettet metabolom, kan det oppstå bemerkelsesverdige batcheffekter, noe som er en stor utfordring for metabolomkvantifisering 21,22,23. For øyeblikket kan programvare som XCMS24, Workflow4Metabolomic25, iMet-Q26 og metaX19 utføre toppdeteksjon og kvantifisering av ikke-målrettet metabolom, men vi foreslår at rørledningen til metaX er mer komplett og enklere å bruke. Her demonstrerer vi prosessen med identifikasjon og FDR-kontroll for et offentlig tilgjengelig datasett msv000084112 ved hjelp av XY-Meta, og toppdeteksjon og kvantifisering av metabolitter ved bruk av metaX. Denne arbeidsflyten krever bare to grupper, og hver gruppe trenger minst to eksempler. MS/MS-spektradata er nødvendig, uavhengig av massespektrometerplattform, ioniseringsmodus, lademodus og prøvetype, og kan støtte prøvebasert normalisering og toppbasert normalisering. Etter dette eksemplet kan forskere utføre metabolomics identifikasjon og kvantifisering på en enkel å håndtere måte. Bruk av denne pipelinen krever R-programmeringsfunksjonalitet. For å hjelpe forskeren uten programmeringskunnskap utviklet vi også en skyanalyseplattform for metabolomics analyse. Vi demonstrerte denne skyanalyseplattformen i Supplementary Material 5.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Forbered metabolomics datasett for analyse

MERK: I denne demonstrasjonen bruker vi metabolomics datasett uten QC-prøve. Data for saks- og kontrollgrupper er nødvendig. For demonstrasjon bruker vi et offentlig datasett i BNP-database27.

  1. Gå til nettsiden https://gnps.ucsd.edu/ProteoSAFe/static/gnps-splash.jsp. Klikk Bla gjennom datasett.
  2. Søk etter nøkkelordet "msv000084112" i Tittel-kolonnen . Klikk på datasett-ID-nummeret for mer informasjon, og last ned datasettet ved hjelp av FTP.
  3. Legg rådata i mappen /msv000084112.
    MERK: Dette datasettet ble anskaffet ved hjelp av C18 RP-UHPLC på Q Exactive-plattformen i positiv modus. Det representerer en kohort med en ukarakterisert sykdom i metabolismen av urinprøvedata, inkludert 33 prøver av friske mennesker, 12 blanke prøver, to blandingsprøver og 82 prøver av pasienter28 (tilleggsmateriale 8). For å demonstrere arbeidsflyten valgte vi tilfeldig seks prøver av friske mennesker (NH) som kontrollgruppe og seks prøver med sykdommen (NT) som en saksgruppe for å utføre arbeidsflyten.

2. Konvertering av dataformat

MERK: Hvis datasettet er rådata generert direkte fra massespektrometeret, er det vanligvis i .raw-, .wiff- eller .cdf-format. De bør konverteres til mzXML- og mgf-formater. Her bruker vi msconvert-verktøyet i ProteoWizard29-pakken for å gjøre formatkonvertering.

  1. Last ned ProteoWizard fra https://proteowizard.sourceforge.io/download.html og installer den.
  2. Konverter dataformat ved hjelp av msconvert.exe under installasjonsbanen ProteoWizard.
    1. Konverter rådataene til mzXML-format og lagre dem i /mzXML-mappen:/msconvert.exe /raw/*.raw -o /raw/mzXML/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mzML --zlib --mz64 --filter "msLevel 1-2" --filter "titleMaker ... ".
    2. Konverter raw/mzXML-dataene til mgf-format og lagre dem i /mgf-mappen:/msconvert.exe /msv000084112/*.raw -o /msv000084112/mgf/ --filter "peakPicking true [1,2]" --filter "zeroSamples removeExtra" --mgf --mz64 --filter "msLevel 1-2" --filter "titleMaker ... ".

3. Klargjøre referansespektralbiblioteket for metabolittene

MERK: XY-meta støtter referansespektralbibliotekene bare i MGF-format.

  1. Gå til nettsiden https://gnps.ucsd.edu/ProteoSAFe/libraries.jsp. Søk i nøkkelordet "NIST" for å finne elementet. Klikk på Vis for å få mer informasjon, og last ned biblioteket.
    MERK: GNPS Public Spectral Libraries samlet mange metabolittbiblioteker, arrangert i type, opprinnelse, art og samlingsmodus. Selv om bare en liten brøkdel av disse bibliotekene genereres ved hjelp av standardmaterialer, er de vanligvis tilstrekkelige for de fleste grunnleggende undersøkelser.
  2. Legg det nedlastede biblioteket GNPS-NIST14-MATCHES.mgf i /database-mappen.

4. Metabolittidentifikasjon og FDR-kontroll

  1. Last ned XY-meta (Windows-versjon). Finn parameterkonfigurasjonsfilen parameter.default under mappen /XY-Meta-Win/config/. Endre innholdet i henhold til tilleggsmateriale 1.
    MERK: I oppløsning danner metabolitter ofte addukter med anioner eller kationer, noe som fører til et masseskift av foreldreioner. Derfor er det nødvendig å angi typer addukter. Vi ga adduktlister for ionbyttekolonne og omvendte analytiske kolonner under positiv lademodus og negativ ladningsmodus i / adduct-mappen. Brukere kan også redigere sin egen adduct liste i henhold til sitt forskningsprosjekt. Adduktlisten skal være i samme format som den angitte listen.
  2. Utfør metabolittidentifikasjonen og FDR-kontrollen ved hjelp av XY-Meta:XY-Meta.exe -S /XY-Meta-Win/config/parameter.default -D /msv000084112/ pos_wt-1_a.mgf -R /database/GNPS-NIST14-MATCHES.mgf.
    MERK: XY-Meta støtter ikke jokertegn i parametere. Derfor bør en enkelt kommando brukes til å behandle hver mgf-fil. For et stort antall filer anbefales en batchfil.

5. Differensiell analyse

MERK: metaX er en åpen kildekode R-pakke. Installer den i henhold til veiledningen på https://github.com/wenbostar/metaX. 8 GB RAM kreves for denne analysen.

  1. Rediger en sampleList.txt fil for å angi eksemplet og de tilsvarende MS-dataene. Se tilleggsmateriale 2.
    MERK: metaX støtter kvantitativ analyse for datasettene med QC-prøver. Når du bruker QC-prøver, må du endre klasseegenskapen til NA for QC-prøver.
  2. Opprett / utdatamappe for å lagre resultatene av kvantitativ analyse. Bruk R til å kjøre skriptet i Supplementary Material 3 for å bruke metaX til å kvantifisere MOCK- og WT-gruppene.
    MERK: Før du kjører skriptet i Tilleggsmateriale 3, må du endre banene i skriptet til de faktiske lokale banene.

6. Integrasjon av kvalitative og kvantitative resultater

  1. Kjør R-skriptet i Supplementary Material 4 for å kommentere toppene i kvalitativ og kvantitativ analyse ved hjelp av metabolittidentifikasjoner.
    MERK: Før du kjører skriptet i Supplementary Material 4, må du endre banene i skriptet til dine faktiske lokale baner.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Rådata for msv000084112 ble konvertert av msconvert.exe og genererte mgf-filer (Supplementary Material S6).

XY-Meta genererte GNPS-NIST14-MATCHES_Decoy.mgf-filen under /database-mappen. Dette er lokkebiblioteket som genereres fra det opprinnelige referansespektralbiblioteket GNPS-NIST14-MATCHES.mgf. Dette lokkebiblioteket kan gjenbrukes. Når du bruker dette lokkebiblioteket på nytt, bør brukeren angi decoy_pattern som 1 i parameter.default-filen, og angi decoyinput som den absolutte banen til lokkebiblioteket. Identifikasjonsresultatene ble generert under /mgf-mappen (med suffikset .meta), som inkluderer spektramatchingsskår, FDR, m/z av metabolittene, retensjonstid og navnet på metabolittene (Supplementary Material 7).

Den kvantitative analysen av metaX var i / output mappe. Den generelle kvantitative fordelingen av NH og NT er lik, med lave svingninger i middelverdiene (figur 1A). Det var bare en liten brøkdel av manglende verdier: bare 3,39 % av metabolittene har mer enn 30 % av de manglende verdiene (figur 1B). metaX økte bemerkelsesverdig andelen metabolitter med CV ≤ 0,3 (figur 1C). Boksen tomter ble lagret i / metaX_box mappe. Elueringsprofilene ble lagret i /metaX_eic mappe. Metabolitttoppene ble registrert i metaX-funksjon.txt. De kvantitative verdiene av metabolittene som ble identifisert i begge grupper og differensialanalyseresultatene ble lagret i metaX_peaks.txt (figur 1D). Bruk av terskelen for | Logg| ≥ 1 og p-verdi < 0,05, ble 342 metabolitter differensielt detektert, med 206 oppregulert og 136 nedregulert (supplementært materiale 9).

Vi kommenterte metaX-oppdagede topper ved hjelp av FDR-< 0,01-identifikasjoner. Hvis en topp kan kommenteres av flere metabolitter, tok vi den med høyest spektrummatchende poengsum som den endelige merknaden. Ved hjelp av disse kriteriene kommenterte vi seks differensielle metabolitttopper (figur 2).

Figure 1
Figur 1. Kvantitativ analyse av metaX. (A) Boksplott av kvantifiserte metabolitter av alle prøver. (B) Histogram over manglende verdifordeling. (C) PCA-plott av to gruppeprøver. (D) Venn-diagram over differensielt detekterte metabolitter fra tre statistiske testmetoder. Klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2. Retensjonstid (RT) og m/z distribusjon av alle annoterte metabolitter. Røde prikker representerer de signifikante og differensielt påviste metabolittene. Klikk her for å se en større versjon av denne figuren.

Tilleggsmateriale 1: Parameterfilen til XY-Meta. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 2: Gruppering av informasjonsark med prøver for metaX. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 3: Skriptet for å integrere arbeidsflyten til XY-Meta og metaX. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 4: Skriptet for å kommentere toppene ved hjelp av metabolomidentifikasjoner. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 5: En komplett arbeidsflyt for metabolomanalyse ved hjelp av skyplattformen. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 6: En mgf-fil konvertert fra msconvert for et eksempeldata på msv000084112. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 7: En identifikasjonsresultattabell fra XY-Meta for et eksempeldata på msv000084112. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 8: Kohortens kliniske informasjonsark for msv000084112. Vennligst klikk her for å laste ned denne filen.

Tilleggsmateriale 9: Identifikasjonsliste over alle metabolitter og differensielle analyseresultater av alle metabolitttopper. Vennligst klikk her for å laste ned denne filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

FDR-kontroll av ikke-målrettede metabolitter har vært en stor utfordring. Her demonstrerte vi en komplett pipeline av storskala ikke-målrettet metabolomics-analyse (kvalitativ og kvantitativ) med FDR-kontroll. Dette reduserer effektivt de falske positive, som er svært vanlige i MS-analyse.

Å forberede et passende referansespektralbibliotek for studiet ditt er et sentralt punkt. En vellykket og sensitiv MS / MS-identifikasjon krever ikke bare riktige samsvarende algoritmer, men også riktige referansespektralbiblioteker. Anvendelsen av offentlige spektralbiblioteker er begrenset på grunn av følgende årsaker: (1) mange offentlige spektralbiblioteker inkluderer ikke komplette metabolittlister. (2) Spektrene i offentlige spektralbiblioteker stammer fra ulike MS-instrumenter og/eller ulike fragmenteringsbetingelser30,31. Derfor foreslår vi at du samler spektra i samme instrument og de samme fragmenteringsbetingelsene ved hjelp av standardmetabolitter for å konstruere et "eksklusivt" spektralbibliotek. Også disse forholdene bør opprettholdes under de faktiske målingene. I tillegg, når du endrer parameterfilen, bør toleransen til forløperionene og fragmentionene falle sammen med instrumentets parametere. Normalt bør toleranseområdet være mellom 10 ppm og 20 ppm, og fragmenttoleransen bør settes mellom 0,01 Da og 0,5 Da. For dette datasettet er instrumentparametrene ukjente, men fragmenttoleransen på 0,05 Da er et konservativt valg for at denne arbeidsflyten skal fungere normalt.

Brukere kan fremdeles få ulike feilmeldinger når de kjører denne pipelinen. Vanlige feil inkluderer feilaktig inndatafilbane, manglende parameterfil og filtilgangskonflikt (f.eks. tilgang nektet av operativsystemet og samtidig tilgang til samme fil).

For å merke seg, er denne arbeidsflyten for øyeblikket bare gjeldende for målrettet og ikke-målrettet metabolomisk analyse av små molekyler mindre enn 1000 Da, og kan ikke brukes til å analysere metabolomene til makromolekyler som glykankjeder eller lipidkjeder. I tillegg er både datauavhengig innhenting (DIA) og ionemobilitetsdata ikke egnet for analyse med denne arbeidsflyten. Denne arbeidsflyten støtter ikke bruk av m/z og retensjonstid for metabolitter for å kommentere toppdeteksjonsresultater og støtter bare differensiell analyse av to grupper av data med mer enn to utvalg.

I lang tid har identifikasjonsresultatene av ikke-målrettet metabolom dominert av toppdeteksjonsteknologi hatt en tendens til å inneholde mange falske positiver, hovedsakelig på grunn av det store antallet metabolittisomerer og forskjellige ioniske adduktformer. Sammenligning av MS/MS-spektra av metabolitter med referansespektra av kjente metabolitter kan løse strukturen til metabolittene for å skille isomerer32. En metabolitt kan imidlertid ikke identifiseres hvis referansespekteret til en metabolitt ikke er offentlig eller kommersielt tilgjengelig7. Derfor er det en stor utfordring å bygge et pålitelig bibliotek med referansespektra for metabolitter. Referansespektra av lav kvalitet og med lignende struktur fører til tilfeldig matching av eksperimentelle spektra. Derfor er FDR-kontroll av identifikasjonsresultater nødvendig for å sikre sikre identifikasjoner. Brukere kan bruke denne pipelinen til automatisk å identifisere metabolom med FDR-kontroll, samt kvantifisering og differensialanalyse, ved å gi de nødvendige inngangsdataene etter behov for protokollen. Det er praktisk og økonomisk for mange forskere, spesielt for nybegynnere.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter.

Acknowledgments

Dette arbeidet støttes av National Key Research and Development Program (2018YFC0910200/2017YFA0505001) og Guangdong Key R&D Program (2019B020226001).

Materials

Name Company Catalog Number Comments
GNPS open source n/a https://gnps.ucsd.edu/ProteoSAFe/static/gnps-splash.jsp
XY-Meta open source n/a https://github.com/DLI-ShenZhen/XY-Meta
metaX open source n/a https://github.com/wenbostar/metaX
ProteoWizard Free Download 3.0.22116.18c918b-x86_64 https://proteowizard.sourceforge.io/download.html
CHI.Client Free Download ndp48-x86-x64-allos-enu http://www.chi-biotech.com/technology.html?ty=ypt

DOWNLOAD MATERIALS LIST

References

  1. Misra, B. B., Fahrmann, J. F., Grapov, D. Review of emerging metabolomic tools and resources: 2015-2016. Electrophoresis. 38 (18), 2257-2274 (2017).
  2. Idle, J. R., Gonzalez, F. J. Metabolomics. Cell Metabolism. 6 (5), 348-351 (2007).
  3. Fiehn, O. Metabolomics — the link between genotypes and phenotypes. Functional Genomics. Town, C. , Springer. Netherlands. Dordrecht. 155-171 (2002).
  4. Functional Genomics. Town, C. , Springer. Netherlands. Dordrecht. (2002).
  5. Dettmer, K., Aronov, P. A., Hammock, B. D. Mass spectrometry-based metabolomics. Mass Spectrometry Reviews. 26 (1), 51-78 (2007).
  6. Vinayavekhin, N., Saghatelian, A. Untargeted metabolomics. Current Protocols in Molecular Biology. , Chapter 30, Unit 30.1 1-24 (2010).
  7. Chaleckis, R., Meister, I., Zhang, P., Wheelock, C. E. Challenges, progress and promises of metabolite annotation for LC-MS-based metabolomics. Current Opinion in Biotechnology. 55, 44-50 (2019).
  8. Palmer, A., et al. FDR-controlled metabolite annotation for high-resolution imaging mass spectrometry. Nature Methods. 14 (1), 57-60 (2017).
  9. Scheubert, K., et al. Significance estimation for large scale metabolomics annotations by spectral matching. Nature Communications. 8 (1), 1494 (2017).
  10. Schrimpe-Rutledge, A. C., Codreanu, S. G., Sherrod, S. D., McLean, J. A. Untargeted metabolomics strategies-challenges and emerging directions. Journal of the American Society for Mass Spectrometry. 27 (12), 1897-1905 (2016).
  11. Blaženović, I., Kind, T., Ji, J., Fiehn, O. Software tools and approaches for compound identification of LC-MS/MS data in metabolomics. Metabolites. 8 (2), (2018).
  12. Katajamaa, M., Miettinen, J., Oresic, M. MZmine: toolbox for processing and visualization of mass spectrometry based molecular profile data. Bioinformatics. 22 (5), Oxford, England. 634-636 (2006).
  13. Tsugawa, H., et al. Hydrogen rearrangement rules: computational MS/MS fragmentation and structure elucidation using MS-FINDER software. Analytical chemistry. 88 (16), 7946-7958 (2016).
  14. Wang, F., et al. CFM-ID 4.0: More accurate ESI-MS/MS spectral prediction and compound identification. Analytical Chemistry. 93 (34), 11692-11700 (2021).
  15. Ruttkies, C., Schymanski, E. L., Wolf, S., Hollender, J., Neumann, S. MetFrag relaunched: incorporating strategies beyond in silico fragmentation. Journal of Cheminformatics. 8, 3 (2016).
  16. Delabriere, A., Warmer, P., Brennsteiner, V., Zamboni, N. SLAW: A scalable and self-optimizing processing workflow for untargeted LC-MS. Analytical chemistry. 93 (45), 15024-15032 (2021).
  17. Wang, X., et al. Target-decoy-based false discovery rate estimation for large-scale metabolite identification. Journal of Proteome Research. 17 (7), 2328-2334 (2018).
  18. Li, D., et al. XY-Meta: a high-efficiency search engine for large-scale metabolome annotation with accurate FDR estimation. Analytical Chemistry. 92 (8), 5701-5707 (2020).
  19. Wen, B., Mei, Z., Zeng, C., Liu, S. metaX: a flexible and comprehensive software for processing metabolomics data. BMC Bioinformatics. 18 (1), 183 (2017).
  20. Aberg, K. M., Torgrip, R. J. O., Kolmert, J., Schuppe-Koistinen, I., Lindberg, J. Feature detection and alignment of hyphenated chromatographic-mass spectrometric data. Extraction of pure ion chromatograms using Kalman tracking. Journal of Chromatography. A. 1192 (1), 139-146 (2008).
  21. Liu, Q., et al. Addressing the batch effect issue for LC/MS metabolomics data in data preprocessing. Scientific Reports. 10 (1), 13856 (2020).
  22. Han, W., Li, L. Evaluating and minimizing batch effects in metabolomics. Mass Spectrometry Reviews. 41 (3), 421-442 (2022).
  23. Fei, F., Bowdish, D. M. E., McCarry, B. E. Comprehensive and simultaneous coverage of lipid and polar metabolites for endogenous cellular metabolomics using HILIC-TOF-MS. Analytical and Bioanalytical Chemistry. 406 (15), 3723-3733 (2014).
  24. Smith, C. A., Want, E. J., O'Maille, G., Abagyan, R., Siuzdak, G. XCMS: processing mass spectrometry data for metabolite profiling using nonlinear peak alignment, matching, and identification. Analytical Chemistry. 78 (3), 779-787 (2006).
  25. Giacomoni, F., et al. Workflow4Metabolomics: a collaborative research infrastructure for computational metabolomics. Bioinformatics. 31 (9), Oxford, England. 1493-1495 (2015).
  26. Chang, H. -Y., et al. iMet-Q: A user-friendly tool for label-free metabolomics quantitation using dynamic peak-width determination. PloS One. 11 (1), 0146112 (2016).
  27. Wang, M., et al. Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking. Nature Biotechnology. 34 (8), 828-837 (2016).
  28. Schmid, R., et al. Ion identity molecular networking for mass spectrometry-based metabolomics in the GNPS environment. Nature Communications. 12 (1), 3832 (2021).
  29. Kessner, D., Chambers, M., Burke, R., Agus, D., Mallick, P. ProteoWizard: open source software for rapid proteomics tools development. Bioinformatics. 24 (21), Oxford, England. 2534-2536 (2008).
  30. Johnson, S. R., Lange, B. M. Open-access metabolomics databases for natural product research: present capabilities and future potential. Frontiers in Bioengineering and Biotechnology. 3, 22 (2015).
  31. Horai, H., et al. MassBank: a public repository for sharing mass spectral data for life sciences. Journal of Mass Spectrometry: JMS. 45 (7), 703-714 (2010).
  32. Rawlinson, C., et al. Hierarchical clustering of MS/MS spectra from the firefly metabolome identifies new lucibufagin compounds. Scientific Reports. 10 (1), 6043 (2020).

Tags

Biokjemi utgave 187
En integrert arbeidsflyt for identifisering og kvantifisering på FDR-kontrollbasert ikke-målrettet metabolom
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Li, D., Liang, J., Zhang, Y., Zhang, … More

Li, D., Liang, J., Zhang, Y., Zhang, G. An Integrated Workflow of Identification and Quantification on FDR Control-Based Untargeted Metabolome. J. Vis. Exp. (187), e63625, doi:10.3791/63625 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter