R / Bioconductor蛋白质组学包

从蛋白质组学资料库获取数据

当代基于ms的蛋白质组学数据通过ProteomeXchange基础设施，它通过多个数据存储库集中协调提交、存储和传播骄傲EBI的数据库，用于MS/MS实验，一批，以获取SRM数据和巨大的资源。的rpx是ProteomeXchange的接口，提供对PX数据的基本统一访问。

库(rpx) pxannounced ()

15个新的ProteomeXchange公告

# #数据。集出版。数据信息## 1 PXD000605 2014-09-16 13:44:11新## 2 PXD000333 2014-09-16 13:08:03新## 3 PXD001006 2014-09-16 10:07:44新## 5 pxd00966 2014-09-16 10:01:46新## 6 PXD001310 2014-09-15 07:53:47新## 7 PXD001061 2014-09-15 08:21:59更新信息## 8 PXD001127 2014-09-15 01:53:25新## 9 PXD001318 2014-09-13 00:44:18新## 11 PXD001316 2014-09-13 00:19:10新## 12 PXD001315 2014-09-13 00:11:14新14 PXD001313 2014-09-12 23:13:44新2015-09-12 16:34:37新

px <- PXDataset("PXD000001") px

## PXDataset类对象## Id: PXD000001，包含8个文件erwinia_carotovora[8]。使用“pxfiles(.)”查看所有文件。

pxfiles(像素)

## [1] "F063721.dat" ## [2] "F063721.dat-mztab.txt" ## [3] "PRIDE_Exp_mzData_Ac_22134.xml.gz" ## [5] "PXD000001_mztab.txt" ## [6] "TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01。mzXML" ## [7] "TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01。Raw " ## [8] "erwinia_carotovora.fasta"

的其他元数据px数据集:

Pxtax (px) pxurl(px) pxref(px)

方法下载数据文件pxget函数如下所示。或者，该文件在车间的Amazon虚拟机上可用/ /数据/蛋白质组学数据．

mzf <- "TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01. mzf <- "TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01. "mzXML" mzf <-文件。path("/data/Proteomics/data"， mzf) if (!file.exists(mzf)) mzf <- pxget(px, pxfiles(px)[6])

TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01mzXML已经存在。

mzf

## [1] "TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01.mzXML"

处理原始MS数据

的mzR包提供到proteowizard遗留的RAMP是一个非顺序解析器和其他C/ c++代码来访问各种原始数据文件，例如mzML，mzXML，netCDF,mzData．数据是在磁盘上访问的，也就是说，默认情况下它不会完全加载到内存中。这三个主要功能是openMSfile要创建原始数据文件的文件句柄，头提取文件中包含的光谱的元数据山峰提取一个或多个感兴趣的光谱。其他功能，例如instrumentInfo,或runInfo可用于收集有关运行的一般信息。

library("mzR") ms <- openMSfile(mzf) ms

质谱仪文件处理。文件名:TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01。mzXML ##扫描次数:7534

Hd <- header(ms) dim(Hd)

## [1] 7534 21

名(高清)

[1]“seqNum”“tionnum”##[3]“msLevel”“polarity”##[5]“peaksCount”“totIonCurrent”##[7]“retentionTime”“basePeakMZ”“collisionEnergy”##[9]“basePeakIntensity”“collisionEnergy”##[11]“ionisationEnergy”“lowMZ”##[13]“highMZ”“precursorScanNum”##[15]“precursorMZ”“precursorCharge”##[17]“precursorIntensity”“mergedResultEndScanNum”##[19]“mergedResultScanNum”“mergedResultStartScanNum”##[21]“mergedResultEndScanNum”

处理识别数据

的RforProteomics包分发一个小的识别结果文件(请参阅TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01.mzid ?的基础结构加载和解析mzID包中。

library("mzID") (f <- dir(system。file("extdata"， package = "ProteomicsBioc2014Workshop")， pattern = "mzid"， full.names=TRUE))

## [1] "/home/lgatto/R/x86_64-unknown-linux-gnu-library/3.1/ProteomicsBioc2014Workshop/extdata/ tmt_erwinia .mzi .gz"

- mzID(f)

##读取TMT_Erwinia.mzid.gz…完成了!

id

##一个mzID对象## ##使用的软件:MS-GF+(版本:Beta (v100r0072)) ## ## Rawfile: /home/ lgato /dev/00_github/ rforproteomics /sandbox/TMT_Erwinia_1uLSike_Top10HCD_isol2_45stepped_60min_01。mzXML ## ##数据库:/home/ lgato /dev/00_github/ rforproteomics /sandbox/erwinia_carotovora。fasta ## ##扫描数量:5287 ## PSM的数量:5563

可以从中提取各种数据mzID对象，使用一个访问器函数，例如数据库，扫描，肽对象也可以转换为data.frame使用平函数。

MS/MS数据库搜索

虽然搜索通常使用独立于R的第三方软件执行，或者可以使用a从R开始系统电话,rTANDEM包允许使用X!串联引擎。的shinyTANDEM提供一个交互式界面来浏览搜索结果。

rTANDEM library("rTANDEM")

quantFile <- dir(system. base . library("MSnbase")quantFile (package = "MSnbase"， dir = "extdata")， full.name = TRUE, pattern = "mzXML$"

## [1] "/home/lg390/R/x86_64-unknown-linux-gnu-library/3.2/MSnbase/extdata/dummyiTRAQ.mzXML"

msexp <- readMSData(quantFile, verbose=FALSE) msexp

# #对象的类“MSnExp”# #对象在内存大小:0.2 Mb  ## - - - 光谱数据  - - - ## 女士水平(s): 2 # # MS1收购数量:1 # #的MSn扫描数量:5 # #的前体离子数量:5 # # 4独特的MZ # #前体MZ: 437.8 - 716.34 # # MSn M / Z范围:100 2016.66 # # MSn保留时间:25:1 - 25:2分钟  ## - - - 处理信息  - - - ## 数据加载:结婚2014年9月17日01:23:39 # # MSnbase版本:1.13.15  ## - - - 元数据  - - - ## phenoData # # rowNames: 1 # # varLabels:sampleNames ## varMetadata: labelDescription ##加载从:## dummyiTRAQ。## featureData ## featurename: X1.1 X2.1…X5.1 (5 total) ## fvarLabels: spectrum ## fvarMetadata: labelDescription ##实验数据:使用'实验数据(对象)'

##查找mzIdentML文件的路径identFile (package = "MSnbase"， dir = "extdata")， full.name = TRUE, pattern = "mzid$"

## [1] "/home/lg390/R/x86_64-unknown-linux-gnu-library/3.2/MSnbase/extdata/dummyiTRAQ.mzid"

msexp <- adddentificationdata (msexp, identFile)

##阅读dummyiTRAQ.mzid…完成了!

fData (msexp)

# #光谱扫描数量(s) passthreshold排名calculatedmasstocharge # # X1.1 1 1真的1 645.0375 # 546.9633 # X2.1 2 2对1 # # X3.1 3缺缺缺缺# # X4.1 4缺缺缺缺# # X5.1 5 5对1 437.2997 # # experimentalmasstocharge chargestate ms-gf: denovoscore ms-gf:安勤科技# # X1.1 645.3741 77 13.46615 79.36958 546.9586 # # X2.1 3 39 # # X3.1缺缺缺缺# # X4.1缺缺缺缺# # X5.1 437.8040 - 2 5 366.38422 # # ms-gf: rawscore ms-gf: specevalue assumeddissociationmethod # # X1.1 e-05 CID # # X2.1 -39 5.527468-30 9.399048 e-06 CID # # X3.1 NA NA < NA > # # X4.1 NA NA < NA > # # X5.1 -42 2.577830 e-04 CID # # isotopeerror isdecoy帖子结束前开始加入# # X1.1长度1假R 186 170 ECA0984; ECA3829 231 # # X2.1 0错误62 K 50 ECA1028 275 # # X3.1 < NA > NA < NA > < NA > NA NA < NA > NA # # X4.1 < NA > NA < NA > < NA > NA NA < NA > NA # # X5.1 1假L K 28日22 ECA0510 166 # # # # X1.1描述DNA错配修复蛋白;acetolactate合酶同工酶III大亚基# # X2.12,3,4,5-四氢吡啶-2,6-二羧酸n -琥珀酰转移酶## X3.1  # X4.1  ## X5.1推定的荚膜多糖生物合成转移酶## pepseq修饰修饰数据库文件## X1.1 VESITARHGEVLQLRPK FALSE NA erwinia_carotovora。IDGQWVTHQWLKK FALSE NA erwinia_carotovora。fasta ## X3.1  NA NA  ## X4.1  NA NA  ## X5.1 LVILLFR FALSE NA erwinia_carotovora。fasta ## identFile npep。普罗特npsm。普罗特npsm。pep ## X1.1 2 2 1 1 1 ## X2.1 2 1 1 1 1 ## X3.1 NA NA NA NA NA NA ## X4.1 NA NA NA NA NA ## X5.1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

msexp [[1]]

##类对象“Spectrum2”##前体:645.3741 ##保留时间:25:1 ##电荷:3 ## MSn级别:2 ##峰值计数:2921 ##总离子计数:668170086

情节(msexp[[1]],全= TRUE)

As (msexp[[1]]， "data.frame")[100:105，]

## mz ## 100 141.0990 588594.812 ## 101 141.1015 845401.250 ## 102 141.1041 791352.125 ## 103 141.1066 477623.000 ## 104 141.1091 155376.312 ## 105 141.1117 4752.541

定量蛋白质组学

有广泛的蛋白质组学定量技术，可大致分为标记和无标记，这取决于特征是否在MS采集之前标记，以及推断定量的MS水平，即MS1或MS2。

	Label-free	贴上标签
MS1	XIC	SILAC 15 n
一份	计数	iTRAQ, TMT

在原始数据定量方面，主要致力于ms2级定量。然而，在代谢组学数据处理的框架中，无标签XIC定量已被解决xcms基础设施。

一个MSnExp转换为MSnSet由定量方法。下面，我们使用iTRAQ 4-plex等压标记策略(由iTRAQ4参数;其他标签可用)。

plot(msexp[[1]]， full=TRUE, reporters = iTRAQ4)

msset <- quantify(msexp, method = "trap"， reports = iTRAQ4, verbose=FALSE) exprs(msset)

## iTRAQ4.114 iTRAQ4.115 iTRAQ4.116 iTRAQ4.117 ## X1.1 4483.320 4873.996 6743.441 4601.378 ## X2.1 1918.082 1418.040 1117.601 1581.954 ## X3.1 15210.979 15296.256 15592.760 16550.502 ## X4.1 4133.103 5069.983 4724.845 4694.801 ## X5.1 11947.881 13061.875 12809.491 12911.479

processingData (msset)

## iTRAQ4梯形量化:2014年9月17日星期三01:23:40 ## MSnbase版本:1.13.15

其他可用的MS2定量方法量化包括(归一化)光谱指数如果以及(归一化)光谱丰度因子SAF或者简单的计数方法。

exprs(si <- quantify(msexp, method = "SIn"))

## 1 # eca0510 0.003588641 ## eca1028 0.001470129

exprs(saf <- quantify(msexp, method = "NSAF"))

## 1 # eca0510 0.6235828 ## eca1028 0.3764172

请注意，未分配任何肽(NA)或匹配非唯一肽(NPSM > 1)在计数过程中被丢弃。

另请参阅的等压线包支持从集中定量mgf峰值列表或它自己的标签分开的文件，可以从Mascot和Phenyx供应商文件生成。

导入第三方数据

常设调查小组委员会mzTab文件格式旨在为更广泛的社区提供一种更简单(比XML格式)和更易于访问的文件格式。它由键值元数据部分和肽/蛋白质/小分子表格部分组成。

MZTF <- pxget(px, pxfiles(px)[2])

## F063721.dat-mztab.txt文件已经存在。

(mzt <- readMzTabData(mztf, what = "PEP"))

##警告:只支持mzTab 0.9版本。支持将很快添加。

##检测到元数据段

## MSnSet (storageMode: lockedEnvironment) ## assayData: 1528个特征，6个样本##元素名称:exprs ##协议数据:none ##表型数据## rowNames: sub[1] sub[2]…sub[6] (6 total) ## varLabels:丰度## varMetadata: labelDescription ## featureData ## featurename: 1 2…1528 (1528 total) ## fvarLabels:序列添加…uri (14 total) ## fvarMetadata: labelDescription ##实验者数据:使用'实验者数据(对象)' ##注释:## - - -处理信息- - - ## mzTab read: Wed Sep 17 01:23:42 2014 ## MSnbase版本:1.13.15

也可以将任意电子表格导入为MSnSet对象转换为RreadMSnSet2函数。该函数的两个主要参数是(1)基于文本的电子表格和(2)标识量化数据的索引的列名。

CSV <- dir(system。file ("extdata"， package = "pRolocdata")， full.names = TRUE, pattern = "pr800866n_si_004-rep1.csv") getEcols(csv, split = "，")

# #[1]“\”蛋白质ID \“\”FBgn \ " " # #[3] \“\”果蝇象征”没有“\”。肽id \"" ##[5] "\"吉祥物得分"" "" \""不。肽量化\ " " # #[7]“\”面积114 \“\”面积115 \ " " # #[9]“\”面积116 \“\”面积117 \ " " # #[11]“\”PLS-DA分类\“\”肽序列\ " " # #[13]“\”前体离子质量\“\”前体离子电荷\ " " # # [15]pd“\”。2013 \“\”pd.markers \”“

ecols <- 7:10 res <- readMSnSet2(csv, ecols) head(exprs(res))

# #区。114区域。115区域。116区域。117 ## 1 0.379000 0.281000 0.225000 0.114000 ## 2 0.42000 0.209667 0.206111 0.163889 ## 3 0.187333 0.167333 0.169667 0.476000 ## 4 0.247500 0.253000 0.1620000 0.179000 ## 5 0.216000 0.183000 0.342000 0.259000 ## 6 0.072000 0.212333 0.573000 0.142667

头(fData (res))

# #蛋白质。ID FBgn Flybase。没有. .肽象征。IDs的吉祥物。得分## 1 CG10060 FBgn0001104 G-ialpha65A 3 179.86 ## 2 CG10067 FBgn0000044 Act57B 5 222.40 ## 3 CG10077 FBgn0035720 CG10077 5 219.65 ## 4 CG10079 FBgn0003731 Egfr 2 86.39 ## 5 CG10106 FBgn0029506 Tsp42Ee 1 52.10 ## 6 CG10130 FBgn0010638 Sec61beta 2 79.90 ## No..多肽。定量pls . da .分类肽。序列## 1下午1点## 2下午9点## 3 3 ## 4下午2点## 5 1 GGVFDTIQK ## 6 3 ER/高尔基体##前体。离子。质量前体。离子。电荷pd。2013 pd。标记## 1下午未知##下午2未知## 3下午未知## 4下午未知## 5 626.887 2表型1未知## 6 ER/高尔基ER

处理和规范化

每种不同类型的定量数据都需要各自的预处理和标准化步骤。这两个等压线而且MSnbase允许校正等压标签杂质，使定量数据归一化。

data(itraqdata) qnt <- quantify(itraqdata, method = "trap"， reporters = iTRAQ4, verbose = FALSE)杂质<- matrix(c(0.929,0.059,0.002,0.000, 0.020,0.923,0.056,0.001, 0.000,0.030,0.924,0.045, 0.000,0.001,0.040,0.923)， nrow=4, byrow = TRUE) ##或，使用makeicitesmatrix() ##杂质<- makeicitesmatrix (4) qnt。crct <- purityCorrect(qnt，杂质)processingData(qnt.crct)

##数据加载:2011年5月11日星期三18:54:39 ## iTRAQ4梯形量化:2014年9月17日星期三01:23:44 ##纯度修正:2014年9月17日星期三01:23:44 ## MSnbase版本:1.1.22

Plot0 <- function(x, y, main = ""){旧的。Par <- Par (no。readonly = TRUE) on.exit(par(old.par)) par(mar = c(4,4,1,1)) par(mfrow = c(2,2)) sx <- sampleNames(x) sy <- sampleNames(y) for (i in seq_len(ncol(x))) {plot(exprs(x)[， i]， exprs(y)[， i]， log = "xy"， xlab = sx[i]， ylab = sy[i]) grid()}} plot0(qnt, qnt.crct)

可以应用各种归一化方法MSnSet实例使用正常化方法:方差稳定(vsn)，分位数(分位数)、中位数或平均值居中(center.media或center.mean),…

qnt.crct.nrm <- normalize (qnt.crct，"quantiles") plot0(qnt, qnt.crct.nrm)

的combineFeatures方法将光谱/多肽定量值结合到蛋白质数据中。类定义了分组groupBy参数，该参数通常取自特征元数据(例如，蛋白质访问)。

##任意分组g <- factor(c(rep(1,25)， rep(2,15)， rep(3,15))) prt <- combineFeatures(qnt.crct。nrm, groupBy = g, fun = "sum")

使用sum将55个特征合并为3个

processingData (prt)

##纯度修正:2014年9月17日星期三01:23:44 ##规范化(分位数):2014年9月17日星期三01:23:44 ##将55个特征合并为3使用sum: 2014年9月17日星期三01:23:44 ## MSnbase版本:1.1.22

最后，蛋白质组学数据分析通常受到缺失值的阻碍。缺失数据归因是一项敏感的操作，其成功与否取决于缺失的程度和缺失的(非)随机性。中缺失的价值MSnSet实例可以过滤出来并使用filterNA而且嫁祸于功能。

set.seed(1) qnt0 <- qntexprs (qnt0)[sample(prod(dim(qnt0))， 10)] <- NA table(is.na(qnt0))

11 . ## ##假的真## 209

qnt00 <- filterNA(qnt0) dim(qnt00)

## [1] 44 4

qnt。(qnt, qnt. Imp) plt0 (qnt, qnt. Imp)

统计分析

R一般和Bioconductor特别适用于数据的统计分析。有几个包提供了专门的蛋白质组学数据资源:

• MSstats:一套用于DDA、SRM和DIA实验中统计相对蛋白显著性分析的工具。

• msmsTest:通过光谱计数对无标签LC-MS/MS数据进行统计检验，以发现两种生物条件下的差异表达蛋白。有三种测试可用:泊松GLM回归、准似然GLM回归和edgeR包的负二项式。

• 等压线还为等压数据的统计分析提供了专用的基础设施。

机器学习

的MLInterfaces软件包为广泛的机器学习算法提供了统一的接口。最初开发用于微阵列和ExpressionSet情况下,pRoloc包使这些算法的应用MSnSet数据。

library("MLInterfaces") library("pRoloc") library("pRolocdata") data(dunkley2006) traininds <- which(fData(dunkley2006)$markers != "unknown") ans <- MLearn(markers ~ .， data = t(dunkley2006)， knnI(k = 5)， traininds) ans

## MLInterfaces分类输出容器##调用是:## MLearn(公式=标记~ .，data = t(dunkley2006)， .method = knnI(k = 5)， ## trainInd = traininds) ##测试集的预测结果分布:## ## ER高尔基mit/质体PM空泡## 204 87 128 111 17 ##测试集的分数摘要(详细信息使用testScores()方法):##最小第1段。中位数。平均第3段。最大值。## 0.4000 1.0000 1.0000 0.9653 1.0000 1.0000

kcl <- MLearn(~ .， data = dunkley2006, kmeansI, centers = 12) kcl

## clusteringOutput: partition table ## ## 12 3 4 5 6 78 9 10 11 12 ## 78 48 29 118 43 38 116 94 9 32 49 35 ##创建这个对象的调用是:## MLearn(公式= ~. .， data = dunkley2006， .method = kmeansI, centers = 12)

情节(氯化钾,exprs (dunkley2006))

hcl <- MLearn(~ .， data = t(dunkley2006)， hclustI(distFun = dist, cutParm = list(k = 4)

## clusteringOutput:分区表## ## 1 2 3 4 ## 4 4 4 4 ##创建这个对象的调用是:## MLearn(公式= ~. .)， data = t(dunkley2006)， .method = hclustI(distFun = dist， ## cutParm = list(k = 4)))

情节(hcl exprs (t (dunkley2006)))