蛋白組學定量值得比較說明

1. Maxquant的iBAQ和LFQ，該用哪一個？
咱們使用Maxquant作Label Free蛋白質組學定量分析的時候，在Maxquant的參數設置時，會遇到兩個參數，LFQ和iBAQ，那麼，選擇哪一個好呢？
若是你都選上，在最終的proteingroups.txt中，會出現三列：Intensity、IBAQ、LFQ intensity，這三列中的數字，也就是蛋白的定量強度，並不同，那麼，到底那一列比較準呢？
首先，讓咱們來看一下三者的計算原理是什麼？
> Intensity是將某Protein Groups裏面的全部Unique和Razor peptides的信號強度加起來，做爲一個原始強度值。
> iBAQ是在上面的基礎上，將原始強度值除以本蛋白的理論肽段數目。
> LFQ則是將原始強度值在樣本之間進行校訂，以消除處理、上樣、預分、儀器等形成的樣本間偏差。
假設有兩個蛋白，A和B，A和B在樣本中的量是相等的，也就是等量。 假設A的長度是10個肽段，B的是100個肽段，假設鑑定結果中，覆蓋度都是30%，那麼蛋白A的強度是3，B的是30,。這時候咱們對比一下，B是A的10倍，可是，A和B本來是相等，這樣就存在較爲嚴重的偏差。
這時候，若是咱們將其原始強度值除以理論肽段數目，A的強度變成了3/10, B的強度變成了3/10。 A = B，Perfect！
上面就是IBAQ的原理和用處。
可是在定量蛋白質組學中，咱們並不作蛋白A和 B之間的定量，假如你有一個藥物處理前的細胞和藥物處理後的細胞的對照型樣本作的定量蛋白質組學實驗，咱們關注的蛋白A在處理前和處理後的變化，至於A和B之間的比值，並不重要。
因此，若是是樣本內對比，固然用iBAQ，由於其表徵的是蛋白的摩爾比值（copy number）。若是是樣本間對比，固然是LFQ（正式名稱爲MaxLFQ，也就是搜庫結果中的txt文件中的LFQ Intensity）[1]
固然，若是你執意要用iBAQ，你能夠手工校準樣本件偏差，方法很簡單：蛋白IBAQ值除以此樣品全部蛋白的強度的和，計算比例（這也是組學中「等質量上樣」和「等體積上樣」的核心區別，等質量上樣來看的是比例，可是計算比例是有壓縮效應的）[2]。
最後，總結一下：
同一個（或者說同一針）樣品內部的蛋白互相比較，用IBAQ；
不一樣樣品間互相比較（無論是重複仍是不一樣的處理組），用LFQ。
Reference：
[1]Cox J, Hein M Y,Luber C A, et al. Accurate Proteome-wide Label-free Quantification by DelayedNormalization and Maximal Peptide Ratio Extraction, Termed MaxLFQ[J]. Molecular& Cellular Proteomics Mcp, 2014, 13(9):2513.
[2]Shin J B, Krey JF, Hassan A, et al. Molecular architecture of the chick vestibular hairbundle[J]. Nature Neuroscience, 2013, 16(3):365-74.

2. 關於數據標準化方法的描述【thermo 配帶的PD2.2爲例】

1). 從原始的abundance到abundance（normalize），是利用樣品總面積進行normalize的【total sum intensity normalization】。
ref1：Sialana F J, Wang A L, Fazari B, et al. Quantitative proteomics of synaptosomal fractions in a rat overexpressing human DISC1 gene indicates profound synaptic dysregulation in the dorsal striatum[J]. Frontiers in molecular neuroscience, 2018, 11: 26.
ref2：Dittenhafer-Reed K E, Richards A L, Fan J, et al. SIRT3 mediates multi-tissue coupling for metabolic fuel switching[J]. Cell metabolism, 2015, 21(4): 637-646.

>abundance到abundance（normalize），是利用樣品總面積進行normalize，計算以下：
a. 計算3個樣本Sample1，Sample2，Sample3中蛋白總量（sum行），
b. 選取其中一個樣本（這裏選取Sample3）的總量看成參考，進行其餘兩個樣本系數（Sample1總量/Sample3總量，Sample2總量/Sample3總量）的計算;
c. 每一個蛋白丰度值除以相應樣本的係數，得到normalize數值；最終，達到個樣本的總量相一致；
protein Sample1 Sample2 Sample3 Sample1.norm Sample2.norm Sample3.norm
P1 96263572.85 104019086.7 154492068.8 188852720.2 195452761.3 154492068.8
P2 49830964.66 46392160.22 67074679.03 97759858.15 87171269.3 67074679.03
P3 143632391.8 137680969.2 194423852.5 281782268.3 258703728.9 194423852.5
P4 46985091.01 50239488.8 28002701.31 92176739.18 94400432.89 28002701.31
P5 62493244.91 78469297.48 339179377.8 122601093.5 147444486.9 339179377.8
sum 399205265.2 416801002.4 783172679.3 783172679.3 783172679.3 783172679.3
係數 0.509728283 0.532195534 1 1 1 1

2).abundance(group)或scaled是在abundance（normalize）基礎上均一化以後的結果，主要是爲了方便提取數據，把數據映射到必定範圍以內，使數據大小更直觀，計算以下：；
a.蛋白a在三個樣品中abundance（normalize）的結果爲分別爲Sample1.norm,Sample2.norm,Sample3.norm，平均值average=(Sample1.norm+Sample2.norm+Sample3.norm)/3；
b.因此蛋白a在三個樣品中abundance(group或scale)（即均一化）分別爲：Sample1.norm/average,Sample2.norm/average,Sample3.norm/average;
c.爲方便數據分析，將結果擴大100倍，蛋白a的三個樣品中abundance(group或scale)結果爲100Sample1.norm/average,100Sample2.norm/average,100Sample3.norm/average;

3). 關於組內樣本蛋白總量的波動性評估，看了一篇文章，文章公佈了 label-free quantification【LFQ】的數據。在一組重複數據中，有變化的倍數能達到2倍多。如附件1-s2.0-S2211124717311889-mmc3 - 副本.xlsx。

ref：Itzhak D N, Davies C, Tyanova S, et al. A mass spectrometry-based approach for mapping protein subcellular localization reveals the spatial proteome of mouse primary neurons[J]. Cell reports, 2017, 20(11): 2706-2718.【A Mass Spectrometry-Based Approach for Mapping.pdf】