Отличия 2107 от 2105: В чем различия между ВАЗ-2107 и ВАЗ-2105

Моя библиотека

• • Моя библиотека
  «» Настройки файлов cookie

  ADP2107 Техническое описание и информация о продукте

  Особенности и преимущества

  • Чрезвычайно высокая эффективность 97 %
  • Сверхмалый ток покоя: 20 мкА
  • 1.Частота коммутации 2 МГц
  • Ток питания отключения 0,1 мкА
  • Максимальный ток нагрузки: 2 А
  • Входное напряжение: от 2,7 В до 5,5 В
  • Выходное напряжение: от 0,8 В до В _IN
  • Максимальный рабочий цикл: 100 %
  • Плавный переход в режим низкого отсева (LDO)
  • Внутренний синхронный выпрямитель
  • Малый 16-выводной корпус LFCSP 4 мм × 4 мм
  • Оптимизирован для небольших керамических выходных конденсаторов
  • Логический вход включения/выключения
  • Блокировка при пониженном напряжении
  • Плавный пуск
  • Поддерживается инструментом проектирования ADIsimPower™

  Информация о продукте

  ADP2105/ADP2106/ADP2107 имеют низкий ток покоя, синхронные понижающие преобразователи постоянного тока в компактном корпусе размером 4 мм × Пакет LFCSP 4 мм.При средних и высоких токах нагрузки эти устройства используют текущий режим, постоянная частота импульса схема управления модуляцией (ШИМ) для превосходной стабильности и переходный ответ. Чтобы обеспечить максимальное время автономной работы в портативных приложений, ADP2105/ADP2106/ADP2107 используют импульсный схема управления с частотной модуляцией (ЧИМ) при небольшой нагрузке условия, которые снижают частоту коммутации для экономии энергии.

  ADP2105/ADP2106/ADP2107 работают от входного напряжения От 2,7 В до 5,5 В, что позволяет использовать одну полимерную ячейку Li+/Li-, несколько щелочные/NiMH элементы, PCMCIA и другие стандартные источники питания.Выходное напряжение ADP2105/ADP2106/ADP2107 регулируется от 0,8 В до входного напряжения (обозначается ADJ), тогда как ADP2105/ADP2106/ADP2107 доступны в предустановленном выходе варианты напряжения 3,3 В, 1,8 В, 1,5 В и 1,2 В (обозначаются x.x В). Каждый из этих вариантов доступен в трех максимальных токах уровни: 1 А (ADP2105), 1,5 А (ADP2106) и 2 А (ADP2107). Выключатель питания и синхронный выпрямитель интегрированы для минимальное количество внешних деталей и высокая эффективность. Во время логики управляемое отключение, вход отключается от выхода, и рисует меньше 0.1 мкА от источника входного сигнала. Другой ключ функции включают блокировку при пониженном напряжении для предотвращения глубокой разрядки батареи разряд и программируемый плавный пуск для ограничения пускового тока при запускать.

  Приложения

  • Мобильные телефоны
  • КПК и карманные компьютеры
  • Телекоммуникационное/сетевое оборудование
  • Телевизионные приставки
  • Бытовая аудио/видео электроника

  Критическая оценка процедур выравнивания для измерений протеомики и метаболомики ЖХ-МС | BMC Bioinformatics

  Прежде чем мы опишем экспериментальную установку и обработку сигналов для наборов данных оценки, мы вводим некоторые определения, которые используются в следующих разделах.В нашем контексте характеристика представляет собой двумерный (RT и m/z) сигнал, вызванный однозарядным вариантом химического объекта. Обнаружение признаков включает в себя идентификацию области сигнала в необработанных данных (обычно объединение выпуклых наборов) и подгонку теоретической модели (например, профиля элюирования, распределения изотопов) к наблюдаемым данным. Проблема выравнивания карты имеет два аспекта: (1) поиск подходящего преобразования времен удерживания, чтобы соответствующие признаки были сопоставлены с ближайшими временами удерживания, и (2) отчет о фактических группах соответствующих признаков по множеству LC- Карты характеристик MS.Мы будем называть эти группы согласованными признаками , подчеркнув, что отдельные признаки, составляющие согласованный признак, должны представлять одно и то же состояние заряда одного и того же ионизированного соединения. Ссылаясь на согласованный признак в целом, можно говорить о среднем времени удерживания, массовом отношении заряда и т. д. Совокупность всех согласованных признаков составляет карту консенсуса , в которой хранится информация о соответствии всех обнаруженных признаков в нескольких LC. — Карты функций MS.

  В идеале каждая функция должна быть назначена одной согласованной функции, и каждая согласованная функция должна содержать по одной функции из каждой карты. Однако ограниченный динамический диапазон или большие различия в образце приведут к согласованным характеристикам, которые не распространяются на все эксперименты ЖХ-МС. Артефакты фазы обнаружения признаков, такие как «сломанные» профили элюирования, также могут проявляться во время выравнивания карты, что приводит к согласованным признакам, которые содержат более одного признака из конкретной карты.В частном случае согласованный признак может состоять из одного признака из одной карты, если ни одна другая карта не содержит такое же состояние заряда ионизированного соединения. Мы будем называть их одиночками .

  Мы рассматриваем преобразование времен удерживания как промежуточный этап, поскольку последующий анализ данных будет в основном касаться групп признаков и их среднего положения и т. д., а не искажений времен удерживания. Конечная цель сопоставления нескольких карт признаков ЖХ-МС — получить согласованную карту.Этот факт должен быть отражен нашими показателями качества. Метод выравнивания должен создавать «значимый» раздел карт признаков: соответствующие признаки должны быть сгруппированы только в один согласованный признак, а не разделены на несколько подмножеств, но алгоритм также должен избегать группирования несвязанных признаков.

  В разделе 2.4 мы вводим две меры, которые отражают качество определенной карты консенсуса по отношению к оптимальной карте консенсуса, так называемой базовой истины .Это показано на рисунке 1. В левой части показана оптимальная карта консенсуса, представляющая соответствие в четырех различных картах признаков. В правой части показана карта консенсуса с разного рода ошибками, которые могут возникнуть при выравнивании.

  Рисунок 1

  Согласованная точность и полнота . На левом рисунке показаны два согласованных признака наземной истины для выравнивания пяти карт признаков. Особенности карт признаков различаются пятью типами маркеров.Соответствующие объекты на разных картах показаны одним цветом. На правом рисунке показаны три функции консенсуса карты консенсуса, определенные алгоритмом выравнивания. Обратите внимание, что красные функции были назначены отдельным согласованным функциям, а также синие. Консенсусная функция в середине даже содержит функции из той же карты. Таким образом, выравнивание приводит к низкому значению полноты (1/2)·(5/(2·5) + 4/(2·4)) = 0,5. Поскольку большинство определенных признаков консенсуса являются «релевантными», метод достиг точности (1/2) · (5/7 + 4/5) ≐ 0.76.

  Качество преобразования времен удерживания также можно оценить, но только после того, как будут найдены группы соответствующих признаков. Преобразование часто называют функцией деформации , потому что исходное время удерживания x и преобразованное время удерживания y связаны через монотонно возрастающую функцию f ( x ) = y . Сложность этого подхода заключается в том, что расстояние между соответствующими функциями можно минимизировать с помощью нереалистичных ступенчатых функций деформации.Следовательно, чтобы избежать переобучения, в меру качества приходится включать условия регулярности (или «сглаживания»), которые трудно формализовать.

  В следующем разделе мы опишем подготовку образцов сложных наборов данных биологической протеомики и метаболомики. Кроме того, мы устанавливаем методы для создания протеомных и метаболомных карт консенсуса.

  2.1 Данные протеомики

  Мы выбрали два набора данных протеомики из Открытой базы данных протеомики (OPD) [32], полученные в результате двух разных экспериментов.Первый набор данных получен из серии разведений Escherichia coli , а другой набор данных представляет различные состояния клеток Mycobacterium smegmatis . Оба образца имеют высокую сложность и обеспечивают типичные сценарии выравнивания. Ранее они использовались для оценки алгоритма выравнивания исходных карт ЖХ-МС OBI-Warp [17].

  Мы кратко опишем подготовку образцов и анализ ЖХ-ЖХ-МС/МС двух экспериментов. Дополнительная информация о E.coli можно найти на веб-сайте OPD, а эксперимент M. smegmatis подробно описан в [33].

  2.1.1 Экспериментальная установка

  Набор данных P1 : LC-LC-ESI-IT-MS/MS буфер для расщепления, денатурированный и расщепленный трипсином. Смеси триптических пептидов разделяли с помощью автоматизированной ЖХ-ЖХ-МС/МС.Количество инъекций аналита было изменено между двумя разными rings: 021016 _ JP32A _ 10ul _ 3 (10 мкл , [OPD: OPD00005_ECOLI]) и 021010_JP32A _ 15UL _ 1 (15 мкл , [OPD: opd00006 ECOLI]). Мы ссылаемся на эти наборы данных как P1 _ 1 и P1 _ 2 соответственно. Фракции солевой стадии хроматографии элюировали с колонки с сильным катионообменом (SCX) с непрерывным фоновым 5% ацетонитрилом и 10-минутными солевыми ударами 0, 20, 40, 60, 80 и 100 мМ хлорида аммония.Каждое солевое пятно элюировали непосредственно на колонку с обращенной фазой C ₁₈ и промывали от соли. Была запущена обращенно-фазовая хроматография, и пептиды были проанализированы в режиме онлайн с помощью масс-спектрометра с ионной ловушкой ESI (ThermoFinnigan Dexa XP Plus). В каждом спектре МС три самых высоких отдельных пика, соответствующие пептидам, были фрагментированы диссоциацией, индуцированной столкновением (CID) с газообразным гелием, для получения спектров МС/МС. Центроидированные данные mzXML и соответствующие результаты идентификации SEQUEST для P1_1 и P1_2 были загружены из OPD.

  Набор данных P2 : LC-LC-ESI-IT-MS/MS

  Экстракты растворимых белков M. smegmatis разводили в расщепляющем буфере, денатурировали и расщепляли трипсином. Смеси триптических пептидов разделяли с помощью автоматизированной ЖХ-ЖХ-МС/МС. Три разных прогона 6-17-03, 7-17-03 и 6-06-03 представляют профили белка клетки M. smegmatis в средней экспоненциальной, ранней экспоненциальной и стационарной фазах [OPD: opd00009_MYCSM , opd00014_MYCSM, opd00028_MYCSM].Мы ссылаемся на эти наборы данных как P2 _ 1 , P2 _ 2 и P2 _ 3 соответственно. Остальная настройка такая же, как указано выше для P1 . Центроидированные данные mzXML и соответствующие результаты идентификации SEQUEST для P2_1, P2_2 и P2_3 были загружены из OPD.

  2.1.2 Извлечение данных

  Необработанные данные были экспортированы прибором в центроидальном режиме. Предварительную обработку и извлечение данных проводили с помощью инструментов TOPP [34].Мы преобразовали все данные из формата mzXML в формат mzData с помощью FileConverter и преобразовали данные в равномерно распределенную матрицу с помощью билинейной передискретизации с использованием Resampler. Интервал преобразованной матрицы составлял 1 Th и 1 секунду. После этого мы обнаружили и извлекли сигналы пептидов в картах необработанных данных с повторной выборкой с помощью FeatureFinder, игнорируя состояния заряда, чтобы обеспечить справедливые средства сравнения для всех инструментов выравнивания. Размеры карт признаков из тестового набора выравнивания P1 и P2 доступны в виде дополнительного файла 2.

  2.1.3 Наземная достоверность

  Мы установили наземную достоверность для наборов данных P1 и P2 с помощью информации МС/МС, которая не была доступна для проверенных процедур юстировки. Как следствие, наша основная правда состоит исключительно из признаков, которые могут быть аннотированы надежной идентификацией пептида. Это обсуждается ниже.

  Эталонный метод состоит из пяти шагов: (1.) Мы устанавливаем исходное соответствие между идентификацией МС/МС и признаками ЖХ-МС.(2.) Мы фильтруем аннотации пептидов на основе времени удерживания функций, которым они назначены. Первые два шага работают с каждой картой ЖХ-МС/МС отдельно. (3.) Мы вычисляем начальный набор функций консенсуса для нескольких экспериментов. (4.) Мы сокращаем список так, чтобы каждая функция содержалась не более чем в одной согласованной функции. (5.) Мы фильтруем функции консенсуса, сравнивая время удержания на разных картах.

  На первом этапе мы сканируем все идентификации пептидов.Мы не принимаем во внимание ненадежные идентификации пептидов, имеющие показатель SEQUEST XCorr менее 1,2. Мы проверяем, лежат ли RT и значение m/z иона-предшественника в пределах выпуклой оболочки элемента. В этом случае мы присваиваем признаку идентификацию пептида. Каждая функция может быть аннотирована множеством идентификаций пептидов, происходящих из многих сканирований MS/MS в рамках эксперимента. Значения в скобках в дополнительном файле 2 — это количество аннотированных объектов.

  На втором этапе мы фильтруем аннотации пептидов по времени удерживания свойств, которым они присвоены.Если идентификация пептида назначается двум признакам с очень разными временными интервалами на одной карте, вполне вероятно, что один или оба признака аннотированы ложно. Это наблюдение используется для фильтрации сомнительных идентификаций, которые в противном случае могли бы привести к неправильным характеристикам консенсуса в основной истине. Для каждой идентификации пептида мы вычисляем среднее значение μ и стандартное отклонение σ RT-позиций признаков, которым он назначен. Если σ > 100 с, то идентификация считается сомнительной и снимается со всех признаков.Более того, идентификация снимается со всех признаков, если таковые имеются, RT-положения которых отклоняются более чем на 2 σ от μ . Эти фильтры применяются для каждого эксперимента отдельно.

  На третьем шаге мы вычисляем исходный список согласованных признаков, в котором признаки с одинаковыми идентификаторами сгруппированы по картам. На предыдущих этапах мы рассчитали набор ассоциаций между идентификацией пептидов по признакам МС/МС и ЖХ-МС. Признаки консенсуса в нашей основной истине должны иметь уникальные идентификации пептидов.Поэтому мы начинаем с составления полного списка всех идентификаций пептидов по всем экспериментам. Затем мы проходим по этому списку и для каждой идентификации находим связанные с ней функции с наибольшей оценкой, но не более одной из каждого эксперимента, и добавляем эти функции к соответствующей функции консенсуса. Таким образом, мы максимизируем сумму значений XCorr для идентификаций пептидов в признаке консенсуса. Мы отбрасываем сомнительную функцию консенсуса, стандартное отклонение m/z которой больше 1.

  Пусть общая оценка XCorr согласованной функции определяется как сумма значений XCorr всех содержащихся в ней функций. После третьего шага возможно, что функция содержится в других согласованных функциях из исходного списка. На четвертом шаге мы сокращаем первоначальный список так, чтобы каждая функция содержалась не более чем в одной согласованной функции, чья общая оценка была наибольшей среди всех согласованных функций, содержащих ее. Мы разработали простую «жадную» стратегию для достижения этой цели.Очищенный список характеристик-кандидатов на консенсус отсортирован в порядке убывания общей оценки. На каждом шаге мы извлекаем из списка функцию консенсуса с максимальной общей оценкой XCorr. Эта функция консенсуса добавляется в карту консенсуса, а все функции консенсуса, имеющие с ней непустое пересечение, также удаляются из списка. Процесс повторяется до тех пор, пока не перестанут быть найдены согласованные признаки, т.е. д., список стал пустым.

  На пятом шаге мы применяем окончательный фильтр для выбросов и сомнительных идентификаций, сравнивая время удерживания на разных картах.Мы рассчитываем выборочную дисперсию RT по всем согласованным признакам на карте консенсуса и отбрасываем согласованные признаки, стандартное отклонение которых превышает стандартное отклонение выборки более чем в 2 раза. Поскольку этот фильтр опирается на информацию RT и, следовательно, несет в себе риск внесения смещения в истину, мы подтвердили, что удаленные согласованные функции действительно являются выбросами при визуальном осмотре.

  Количество функций консенсуса в основной правде также показано в дополнительном файле 2.Наземная истина рассматривается только в том случае, если количество ее согласованных признаков соответствует как минимум 10% от количества аннотированных признаков в выровненных картах признаков.

  Как указано выше, присвоение, используемое в качестве наземной истины, ограничено функциями на различных картах функций, которые были аннотированы с помощью идентификации пептида. Мы полагаем, что это не внесет смещения в сторону какого-либо из инструментов, исходя из предположения, что признаки, выбранные для фрагментации МС/МС, выбираются случайным образом и независимо с одинаковой вероятностью p .Для простоты рассмотрим случай попарного выравнивания. Расширение для выравнивания нескольких карт будет обсуждаться в Разделе 2.4. Классическое значение точности определяется как TP/(TP + FP). Обратите внимание, что знаменатель не зависит от истинности, и ожидается, что числитель будет постоянной дробью TP = p ·TP* «реального» истинного положительного числа TP*. Таким образом, все еще возможно сравнить вероятность того, что вычисленный согласованный признак содержится в истинности основания между различными инструментами, хотя значения абсолютной точности будут занижены в p раз при использовании доступной истинности основания.На значение TP/(TP + FN) отзыва такая погрешность не влияет, поскольку как TP , так и FN будут занижены на коэффициент p , что нейтрализует. Следовательно, классическое значение отзыва по-прежнему можно использовать в качестве оценки вероятности того, что «существующая» функция консенсуса действительно вычисляется инструментом.

  2.2 Метаболомические данные

  Мы выбрали типичный метаболомный эксперимент Arabidopsis thaliana с различными линиями растений и обработками, измеренными в несколько моментов времени в трех повторностях.Одни и те же образцы были измерены на двух разных установках ЖХ-МС следующим образом.

  2.2.1 Экспериментальная установка

  Приготовление экстрактов

  Свежемолотую ткань листьев Arabidopsis thaliana (130 ± 5 мг) дважды подвергали следующей процедуре экстракции: смешивание с 200 мкл смеси метанол/вода, 4/1 (об./об.), обработка ультразвуком при 22°C в течение 15 мин и центрифугирование в течение 10 мин. Оба экстракта объединяли и упаривали при пониженном давлении в вакуумной центрифуге при температуре окружающей среды.Оставшийся остаток повторно растворяли в 400 мкл метанола/воды, 3/7 (об./об.).

  Набор данных M1: Капиллярная ВЭЖХ-ESI-QTOF-MS

  1 мк л экстракта разделяли с использованием капиллярной системы ВЭЖХ Ultimate (Dionex) на модифицированной колонке C ₁₈ (GROMSIL ODS) 4 HE, 0,3 × 150 мм, размер частиц 3 мкм , Alltech-Grom), применяя бинарный градиент ацетонитрил-вода при скорости потока 5 мклмин ^-1 . Элюированные соединения определяли с m/z от 75 до 1000 с помощью API QSTAR Pulsar i (Applied Biosystems/MDS Sciex), оснащенного источником электрораспыления Ionspray в режиме положительных ионов.Время накопления 2 с. Массовое разрешение для [ M + H ] ⁺ калибровочного пептида было RFWHM (разрешение по полной ширине на половине максимума) = 8500 при 829 m/z.

  Набор данных M2: LC-ESI-QTOF-MS.

  10 мк л экстракта A. thaliana разделяли с помощью системы ВЭЖХ Agilent серии 1100 на модифицированной колонке C ₁₈ (Atlantis dC18, 2,1 × 150 мкм, размер частиц 13 910 Уотерс), применяя тот же бинарный градиент, что и выше, при скорости потока 200 мклмин ^-1 .Элюированные соединения обнаруживали при m/z 100–1000 с помощью MicrOTOF-Q (Bruker Daltonics), оснащенного источником электрораспыления Apollo II в режиме положительных ионов. Время накопления 1,5 с. Массовое разрешение для [ M + H ] ⁺ калибровочного пептида составляло RFWHM = 14000 при 829 m/z.

  2.2.2 Извлечение данных

  Все данные были экспортированы в центроидном режиме с помощью программного обеспечения конвертера от Applied Biosystems и Bruker соответственно. Обнаружение признаков было выполнено с помощью XCMS [26] с использованием параметров метод = « centWave «, ширина пика = c (20, 50), sthresh = 5, ppm = 120 для данных установить M1 и ppm = 30 для набора данных M2 соответственно.Количество функций для каждого файла доступно как дополнительный файл 3.

  2.2.3 Наземная правда

  В отличие от наборов данных протеомики, использование информации MS/MS и аннотации SEQUEST неприменимы. Для ГХ/ЭИ-МС существуют библиотеки спектров соединений, но для ЖХ-ЭСИ-МС нет обширного набора эталонных спектров. Однако относительной аннотации «анонимных» веществ достаточно для нашей оценки соответствия.

  Для методов мягкой ионизации, таких как LC-ESI-MS, различные аддукты (например,г. M + K ] ⁺ , [ M + Na ] ⁺ ) и фрагменты (например, [ M — C ₃ H ₉ N ] ⁺ , [ M + H — H ₂ 0] ⁺ ). Используя эти известные разности масс и методы проверки, такие как сравнение формы пиков с помощью корреляционного анализа, признаки, происходящие от одного и того же вещества, могут быть сгруппированы вместе в виде аннотированных групп признаков.Даже если вещества неизвестны, их спектры можно восстановить таким образом. Подробности описаны в [35].

  Мы использовали признаки, которые не только имеют одинаковое время удерживания, но также демонстрируют высокую корреляцию (коэффициент корреляции Пирсона > 0,9) в формах хроматографических пиков для создания аннотированных групп признаков. Аннотации признаков с подтвержденной корреляцией были созданы с использованием R-Package ESI , который можно загрузить с http://msbi.ipb-halle.de/msbi/esi.

  Только те группы признаков с высокой достоверностью, которые были воспроизведены как минимум в четырех файлах и демонстрируют ограниченное отклонение по файлам (набор данных M1: ΔRT = 90 с, Δm/z = 0:02 Th, набор данных M2: ΔRT = 20 с , Δm/z = 0:01 Th) использовались для создания проверенного выравнивания этих групп признаков.Впоследствии выровненные группы признаков были разделены на их согласованные признаки, которые формируют основную истину выравнивания. Количество признаков для каждого файла и размер наземной истины для каждого выравнивания доступны в дополнительном файле 3.

  2.3 Вычисление выравниваний

  В следующих подразделах мы кратко опишем общий подход шести методов выравнивания, как а также их наиболее важные параметры. Кроме того, мы представляем нашу процедуру для импорта списков входных объектов в различные инструменты.Каждая программа предоставляет карту консенсуса в собственном формате файла, который был проанализирован для оценки.

  2.3.1 OpenMS

  Платформа с открытым исходным кодом OpenMS [36] предлагает множественный алгоритм выравнивания карт LC-MS [28] как для необработанных, так и для карт объектов.

  Карты выровнены по звездообразному принципу с наиболее полной картой в качестве эталонной карты. Коррекция искажения в RT и m/z и определение согласованной карты выполняются в два этапа, называемых фаза суперпозиции и фаза консенсуса .Эта модульность позволяет реализовать общий алгоритм, который либо выравнивает несколько необработанных карт, используя только фазу суперпозиции, либо выравнивает несколько карт объектов, применяя обе фазы. На этапе суперпозиции параметры подходящего аффинного преобразования определяются с использованием общей парадигмы для алгоритмов сопоставления точечных шаблонов, называемых кластеризацией позы . Оптимальное преобразование, которое определяется как преобразование, отображающее как можно больше элементов одной карты близко к элементам другой карты, определяется так называемой схемой голосования .Алгоритм позиционной кластеризации учитывает различную точность измерения измерений RT и m/z, а также информацию об интенсивности элементов карты ЖХ-МС. После оценки начального преобразования методом кластеризации позы на двух картах производится поиск ориентиров. Эти ориентиры используются для уточнения аффинной деформации шагом линейной регрессии. Следующая фаза консенсуса основана на поиске ближайших соседей и определяет окончательную карту консенсуса с учетом исправленных карт признаков.Алгоритм выравнивания карты множественных объектов OpenMS реализован в инструменте MapAlignment TOPP. Наиболее важными параметрами для пользователя являются точность _RT , точность _m/z и mz _ ковш _ размер . Параметр mz _ ковш _ размер является параметром фазы суперпозиции. Он ограничивает вычисление всех возможных преобразований, отображая только те объекты на обеих картах, которые имеют одинаковые позиции m/z.Принимая во внимание, что точность _RT и точность _m/z являются параметрами фазы консенсуса, которые определяют максимальное расстояние соответствующих признаков для процесса группировки. Списки признаков метаболомики были преобразованы во входной формат featureXML с помощью инструмента FileConverter TOPP.

  2.3.2 msInspect

  Алгоритм выравнивания карт множественных признаков, представленный в [25], является частью аналитической платформы LC-MS с открытым исходным кодом msInspect .Программный пакет написан на независимом от платформы языке Java и находится в свободном доступе на http://proteomics.fhcrc.org.

  Перед определением консенсусной карты, так называемого массива пептидов , алгоритм корректирует нелинейные искажения RT-размерности всех карт звездным образом по отношению к определенной эталонной карте. Предполагается, что искажение в RT объясняется глобальным линейным трендом плюс оставшаяся нелинейная составляющая. На первом этапе линейный тренд оценивается с использованием наиболее интенсивных признаков с близкими значениями m/z.Эта начальная модель преобразования RT используется для итеративного определения нелинейного преобразования с использованием методов регрессии сглаживающего сплайна из предыдущей модели. После устранения искажений всех карт выполняется глобальное выравнивание путем применения разделительной кластеризации с заданными пользователем допусками в RT и m/z назначенных объектов. Алгоритм дополнительно предлагает автоматический выбор оптимальных допусков RT и m/z с использованием качества кластеризации. Качество выравнивания определяется количеством кластеров, включающих не более одного объекта с каждой карты.

  msInspect использует различные файлы tsv (значения, разделенные табуляцией) для ввода и вывода. Мы реализовали утилиты для преобразования данных из нашего формата карты объектов featureXML в формат msInspect tsv и для извлечения полученной карты консенсуса из выходных файлов msInspect. Алгоритм выравнивания msInspect обеспечивает установку двух параметров: scanWindow, который является максимальным размером функции консенсуса во временном пространстве, и massWindow, максимальный размер функции консенсуса в массовом пространстве.Опция – оптимизировать используется для определения наилучшего выбора для двух параметров относительно количества идеального совпадения , которые содержат ровно один признак каждой карты. Мы использовали параметры, предложенные оптимизатором, а также другие параметры для оценки алгоритма выравнивания msInspect.

  2.3.3 SpecArray

  Li et al. [22] разработали алгоритм выравнивания карт множественных признаков, встроенный в пакет программного обеспечения с открытым исходным кодом SpecArray http://tools.proteomecenter.org.

  Предлагаемый алгоритм вычисляет все попарные выравнивания и объединяет их в окончательную карту консенсуса. Чтобы исправить искажение в RT, калибровочная кривая времени удерживания (RTCC) итеративно вычисляется для каждого попарного выравнивания путем объединения признаков с одинаковыми значениями m/z для построения исходного набора пар признаков. Кривая RTCC оценивается путем минимизации среднеквадратичного расстояния RT-позиций признаков до монотонной функции. Пары с небольшой оценкой спаривания удаляются, а сокращенный набор пар признаков снова используется для оценки RTCC.Два шага повторяются до тех пор, пока не останутся только пары с высокой оценкой спаривания, и каждый объект на одной карте будет связан не более чем с одним объектом на другой карте. Окончательная кривая RTCC и расстояние между пептидами в m/z используются для выбора вероятных и уникальных пар признаков из исходного набора пар признаков. Комбинация всех парных выравниваний дает окончательную карту консенсуса или так называемый суперсписок . Параметры алгоритма выравнивания жестко запрограммированы и не могут быть изменены пользователем.Вычисление всех попарных выравниваний приводит к увеличению времени выполнения и делает алгоритм неприменимым для сравнения большого количества карт признаков. SpecArray предоставляет два инструмента для выравнивания карт объектов. В то время как PepMatch выполняет этап фактического выравнивания, PepArray можно использовать для постобработки и фильтрации карты консенсуса. Мы избегаем этапа фильтрации и используем необработанную окончательную карту консенсуса для целей оценки.

  Мы внедрили программное обеспечение для преобразования нашего формата карты объектов featureXML в двоичный формат объектов SpecArray pepBof.Кроме того, мы заставили SpecArray напрямую экспортировать наш консенсусный формат, добавив несколько строк кода в исходники PepMatch.

  2.3.4 XAlign

  Zhang et al. [23] предлагают автономный инструмент под названием XAlign для выравнивания нескольких карт объектов. Программное обеспечение Xalign для Windows доступно по запросу у автора.

  XAlign на первом этапе вычисляет так называемое грубое выравнивание, когда алгоритм корректирует систематический сдвиг в RT.На втором этапе определяется окончательная карта консенсуса, так называемое микровыравнивание . Алгоритм грубого выравнивания выравнивает несколько карт по звездам, при этом эталонная карта выбирается следующим образом: для всех предопределенных окон RT и m/z определяются наиболее интенсивные особенности каждой карты. Если окно содержит объекты со всех карт, объекты называются значимыми и вычисляется их средневзвешенное среднее RT-положение по интенсивности. В качестве эталонной карты выбирается карта с минимальным отличием всех ее значимых признаков от усредненных позиций RT.После этого все остальные карты устраняют искажения по отношению к эталону путем оценки линейной функции, которая минимизирует среднее абсолютное отклонение RT-положений значимых объектов. На этапе микровыравнивания признаки, дающие высокий коэффициент корреляции, последовательно группируются вместе и составляют окончательную согласованную карту. XAlign [23] разработан как компонент конвейера анализа данных для обнаружения белковых биомаркеров. Автономный исполняемый файл запускается в командной строке Windows.Он считывает списки функций, разделенных табуляцией, и создает несколько выходных файлов, включая таблицу выравнивания и статистику пиков.

  2.3.5 XCMS

  Пакет XCMS, представленный в [26], является частью Bioconductor [37], более крупного проекта программного обеспечения с открытым исходным кодом для биоинформатики, написанного на платформенно-независимом языке программирования R. Все пакеты Bioconductor можно получить по адресу http ://www.bioconductor.org. XCMS предназначен для данных как ЖХ/МС, так и ГХ/МС. Он включает в себя функции визуализации, обнаружения признаков, нелинейного выравнивания времени удерживания и статистические методы для обнаружения метаболитов с дифференциальной экспрессией.Мы модифицировали XCMS, чтобы пропустить этап обнаружения функций, и импортировали списки функций непосредственно из файла featureXML в формате карты функций. Алгоритм сопоставления признаков XCMS использует бины с фиксированным интервалом (например, шириной 0,1 Th) для сопоставления признаков в области масс. После этого начального группирования признаков по массе разрешаются группы признаков с разным временем удерживания в каждом бине. Оценка плотности ядра используется для расчета распределения признаков в хроматографическом времени, а затем идентифицируются границы областей, где многие признаки имеют одинаковое время удерживания.

  XCMS поддерживает необязательный этап коррекции времени удерживания, при котором «хорошо работающие» группы признаков используются для расчета нелинейного отклонения времени удерживания для каждого образца. Полученные профили отклонений затем используются для корректировки времени удерживания исходных образцов. Процедуру сопоставления и коррекции времени удерживания можно повторить для более точного выравнивания. Однако мы заметили, что трудно предсказать, действительно ли коррекция времени удерживания приведет к лучшей карте консенсуса, и это зависит от входных данных.Поэтому мы решили сообщить о результатах как без, так и с необязательным этапом коррекции времени удерживания.

  2.3.6 MZmine

  Набор инструментов MZmine [38] для обработки и визуализации данных ЖХ/МС используется через графический интерфейс пользователя. Благодаря реализации на Java он не зависит от платформы. MZmine имеет открытый исходный код и может быть загружен с http://mzmine.sourceforge.net. Мы модифицировали MZmine, чтобы пропустить этап обнаружения функций и вместо этого импортировать списки функций.

  Подход MZmine к выравниванию не оценивает какие-либо преобразования по устранению искажений.В настоящее время набор инструментов реализует простой метод выравнивания с использованием так называемого основного списка объектов , где объекты каждой карты выравниваются по основному списку. Функция оценки используется для вычисления сходства функции и строки основного списка, которая представляет текущую согласованную функцию. Если оценка, полученная между наиболее подходящей строкой основного списка и функцией, является «достаточно хорошей» (и разница между m/z и временем удерживания находится в пределах допусков), функция назначается этой строке, в противном случае она добавляется к основному списку.MZmine предлагает два алгоритма выравнивания, «медленное выравнивание» и «быстрое выравнивание», которые отличаются реализацией функции оценки. Мы обнаружили лишь минимальные различия в качестве выравнивания обоих алгоритмов, поэтому использовали «быстрое выравнивание» из-за лучшего времени выполнения.

  2.3.7 Параметры

  Мы провели обширные тестовые прогоны, чтобы оптимизировать параметры, контролирующие допуск в RT и m/z для наших тестовых данных. Используя известные отклонения данных в качестве отправной точки, мы варьировали параметры каждого инструмента в разумных пределах.Были выбраны параметры, которые дали наилучшие результаты в первом эксперименте каждого набора данных. Окончательные настройки показаны в таблице 2.

  Таблица 2 Параметры выравнивания

  2.4 Оценка

  Производительность информационно-поисковой системы можно оценить с помощью значений точности и отзыва . Наша оценка проблемы выравнивания карты будет следовать этим линиям. Как указывалось в начале этого раздела, коррекция времени удерживания является очень важным аспектом проблемы выравнивания карты ЖХ-МС, и существует компромисс между гладкостью функции деформации и оставшимся расстоянием между совпадающими признаками.Но, в конце концов, цель искажения времени удерживания состоит в том, чтобы найти группы соответствующих функций, которые сообщаются как согласованные функции, поэтому наш анализ фокусируется на этом аспекте проблемы выравнивания карты. То есть мы будем оценивать качество карты консенсуса , а не функции деформации , потому что мы считаем последнюю промежуточным шагом для проблемы выравнивания карты. Учитывая функцию «запроса» на одной карте, карта консенсуса может служить для извлечения связанных «элементов» на других картах.Признаки консенсуса просто принимаются как наборы признаков; присвоение соответствующей средней позиции этим множествам и т. д. — это еще одна проблема, которая здесь не рассматривается.

  В частотной интерпретации точность — это вероятность того, что найденный элемент релевантен, тогда как отзыв — это вероятность того, что релевантный элемент будет найден. В частном случае попарного выравнивания карты релевантными элементами являются совпадающие объекты; элемент либо найден, либо нет. Чтобы распространить эти концепции на проблему множественного выравнивания карт, нам нужно иметь дело с согласованными функциями, которые не содержат функции со всех карт, а также с согласованными функциями, сообщаемыми инструментами, которые перекрываются, но не идентичны истине.

  Обозначим признаки консенсуса в основной истине через gt _i , где индекс i проходит от 1 до N . Точно так же функции консенсуса из инструмента будут обозначаться инструментом _{j .} , для индекса j = 1,…, М . Мы рассматриваем набор признаков консенсуса из инструмента, которые содержат как минимум два признака (чтобы их можно было использовать для извлечения элементов) и пересекаются с заданным свойством консенсуса из истинной истины.Таким образом, для каждого индекса i обозначим через M _i набор всех индексов j таких, что |инструмент _j | ≥ 2 и |gt _i ∩ инструмент _j | > 0. Теперь мы можем посмотреть на мощность этого набора индексов, | М _и |. В каком-то смысле это количество «частей», на которые консенсусная функция gt _i от земли правда был «расколот» инструментом.Но мы можем посмотреть на объединение этих функций на основе консенсуса, too~li: = ∪j∈MitooljMathType @ СПР @ 5 @ 5 @ + = feaagaart1ev2aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacPC6xNi = xH8viVGI8Gi = hEeeu0xXdbba9frFj0xb9qqpG0dXdb9aspeI8k8fiI + FSY = rqGqVepae9pg0db9vqaiVgFr0xfr = XFR = xc9adbaqaaeGaciGaaiaabeqaaeqabiWaaaGcbaGaeeiDaq3aaacaaeaacqqGVbWBcqqGVbWBaiaawoWaaiabbYgaSnaaBaaaleaacqWGPbqAaeqaaOGaeiOoaOJaeyypa0ZaambeaeaacqqG0baDcqqGVbWBcqqGVbWBcqqGSbaBdaWgaaWcbaGaemOAaOgabeaaaeaacqWGQbGAcqGHiiIZcqWGnbqtdaWgaaadbaGaemyAaKgabeaaaSqab0GaeSOkIufaaaa @ 43E3 @.Тогда too~liMathType @ СПР @ 5 @ 5 + = feaagaart1ev2aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacPC6xNi = xH8viVGI8Gi = hEeeu0xXdbba9frFj0xb9qqpG0dXdb9aspeI8k8fiI + FSY = rqGqVepae9pg0db9vqaiVgFr0xfr = XFR = xc9adbaqaaeGaciGaaiaabeqaaeqabiWaaaGcbaGaeeiDaq3aaacaaeaacqqGVbWBcqqGVbWBaiaawoWaaiabbYgaSnaaBaaaleaacqWGPbqAaeqaaaaa @ 33В6 @ есть множество всех элементов, которые могут быть получены, если запрос относится к GT + _я .

  Следовательно, следуя классическому определению точности и полноты, мы определяем точность выравнивания :

  PrecisionAlign=1N∑i=1N|gti∩too˜li||too˜li|MathType@MTEF@5@5@+ = feaagaart1ev2aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacPC6xNi = xI8qiVKYPFjYdHaVhbbf9v8qqaqFr0xc9vqFj0dXdbba91qpepeI8k8fiI + FSY = rqGqVepae9pg0db9vqaiVgFr0xfr = XFR = xc9adbaqaaeGaciGaaiaabeqaaeqabiWaaaGcbaGaeeiuaaLaeeOCaiNaeeyzauMaee4yamMaeeyAaKMaee4CamNaeeyAaKMaee4Ba8MaeeOBa42aaSbaaSqaaiabbgeabjabbYgaSjabbMgaPjabbEgaNjabb6gaUbqabaGccqGH9aqpjuaGdaWcaaqaaiabigdaXaqaaiabd6eaobaakmaaqahajuaGbaWaaSaaaeaacqGG8baFcqqGNbWzcqqG0baDdaWgaaqaaiabdMgaPbqabaGaeSykIKKaeeiDaq3aaacaaeaacqqGVbWBcqqGVbWBaiaawoWaaiabbYgaSnaaBaaabaGaemyAaKgabeaacqGG8baFaeaacqGG8baFcqqG0baDdaaiaaqaaiabb + gaVjabb + gaVbGaay5adaGaeeiBaW2aaSbaaeaacqWGPbqAaeqaaiabcYha8baaaSqaaiabdMgaPjabg2da9iabigdaXaqaaiabd6eaobqdcqGHris5aaaa @ 6513 @

  и выравнивание отзыв :

  = RecallAlign 1NΣi = 1N | gti∩too~li || Ми|⋅|гти|.MathType @ СПР @ 5 @ 5 @ + = feaagaart1ev2aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacPC6xNi = xI8qiVKYPFjYdHaVhbbf9v8qqaqFr0xc9vqFj0dXdbba91qpepeI8k8fiI + FSY = rqGqVepae9pg0db9vqaiVgFr0xfr = XFR = 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 @ 660D @

  Коэффициент | М _и | в знаменателе служит наказанием за нарушение консенсуса от основной истины.Обратите внимание, что в случае попарного выравнивания слагаемые в этих определениях равны либо нулю, либо единице, и наши определения становятся эквивалентными классической точности и полноте. Таким образом, их названия оправданы как обобщения. В идеальном выравнивании обе меры будут равны единице. Ложные срабатывания (ошибочно сгруппированные объекты) снижают точность выравнивания; ложноотрицательные результаты (ошибочно невыровненные объекты) снижают отзыв выравнивания.

  Пример показан и рассчитан на рисунке 1.

  Сценарий R был написан для автоматического вычисления значений полноты и точности. Время выполнения измерялось как время настенных часов, включая ввод/вывод всех файлов, когда никакие другие программы не выполнялись. Все измерения проводились на двухъядерном процессоре AMD Athlon 64 X2 4800+ с 2 ГБ оперативной памяти под управлением Linux (Ubuntu 6.06). Поскольку XAlign не работает под Linux, мы оценили его под Windows XP, запущенной на виртуальной машине с использованием VMWare Workstation 5.5.3 на том же компьютере (исходная Windows XP обычно должна быть на 10–20 % быстрее).Сообщаемое время выполнения настенных часов является кумулятивным по всем запускам для каждого набора данных.