Detection of Protein Modifications by Noise Model Based Analyses of Regulatory Information
In quantitative proteomics the amounts of individual peptides and proteins within differentially treated cells are compared by mass spectrometry. Occuring impreciseness of the measurements can adulterate the results and thus, formulation of hypotheses. Especially low signal intensities are affected since considerable percentages of those may be caused by noise. In this work, the observed intensity dependent noise within a defined quantitative mass spectrometry based workflow could be modelled by the development of a specific noise model. Both calculation of regulation factors of single peptides and calculation of such of peptide groups (e.g. all peptides identified within one protein) is derived from the noise model. In doing so, all calculations are weighted according to the robustness of the underlying data. The regulatory information obtained in this way, is visualised by likelihood curves presenting the likelihood of the most probable as well as alternative regulation factors. The reliability of the most suitable regulation factor - and consequently the robustness of the data - can be inferred from the shape of the curves. As the detection of novel post-translational modifications (PTM) is essential for the understanding of dynamic protein networks, many biological projects currently aim on quantitative analyses by mass spectrometry on the peptide level. Modified peptides appear regulated differentially due to the increase and decrease of the amounts of their modified and unmodified variants. The detection of differetially regulated peptides within the same protein is highly interesting for the investigation of new peptide modifications. For this purpose, besides calculation of regulatory information a clustering algorithm was developed in this work that is able to find differentially regulated peptides of a protein.
In der quantitativen Proteomforschung werden durch massenspektrometrische Verfahren die vorhandenen Mengen einzelner Peptide und Proteine in unterschiedlich behandelten Zellen miteinander verglichen. Dabei kommt es zu Messungenauigkeiten, welche die Ergebnisse und somit die Hypothesenbildung verfälschen können. Davon betroffen sind hauptsächlich niedrige Signalintensitäten, bei welchen der Anteil des Rauschens einen signifikanten Anteil der gesamten Signalintensität ausmachen kann. In der vorliegenden Arbeit ist es gelungen, das beobachtete Rauschen innerhalb eines definierten Analyseablaufes mit Hilfe eines spezifischen Rauschmodelles zu beurteilen. Das Modell ermöglicht eine der Glaubwürdigkeit entsprechende Berechnung einzelner Peptidregulationsfaktoren sowie eine gewichtete Berechnung von Regulationsfaktoren für eine Gruppe von Peptiden, z.B. alle Peptide eines Proteins. Die so abgeleitete regulatorische Information wird durch Likelihoodkurven visualisiert, welche die Likelihood für den wahrscheinlichsten sowie alternative Regulationsfaktoren darstellen. Anhand der Gestalt einer Likelihoodkurve kann auf die Robustheit der zu Grunde liegenden Daten geschlossen werden. Da die Entdeckung neuer post-translationaler Modifikationen essentiell für das Verständnis dynamischer Proteinnetzwerke ist, sind quantitative massenspektrometrische Analysen auf der Peptidebene derzeit Ziel vieler biologischer Projekte. Modifizierte Peptide erscheinen infolge der Mengenzu- bzw. abnahme ihrer modifzierten bzw. unmodifizierten Form differentiell reguliert. Die Detektion solcher differentiell regulierten Peptide innerhalb eines Proteins ist von größtem Interesse, um so auf potentielle neue Modifikationen schließen zu können. Zu diesem Zweck ist in der vorliegenden Arbeit neben der Berechnung der regulatorischen Information ein Clusteringalgorithmus entwickelt worden, welcher (auf dieser basierend) nach differentiell regulierten Peptiden eines Proteins sucht.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved