在蛋白质组学，主要目的之一是比较感兴趣的样本（例如健康的组织与患病组织），以确定哪些蛋白质差异表达并量化这些差异。质谱（MS）是用于此类分析的最流行方法之一。

目前有两种广泛的方法来产生自下而上或shot弹枪MS蛋白质组学数据：数据依赖性采集（DDA）和数据独立的获取（DIA）。¹在串联MS（MS/MS），DDA方法仅提出在MS的第一个周期中生成的某些肽，以在第二个周期内进行片段化，而在DIA方法中，全部在第一个MS循环中产生的肽可以在第二轮中分散。

与数据采集一样，可以使用两种主要方法之一进行数据分析。¹数据库搜索将测量光谱与已建立数据库中的光谱进行了比较，从头搜索，其中首先将MS/MS光谱解析为多个“伪光谱”，然后使用数据库搜索将其与已知光谱进行比较。DDA使用第一种方法，而DIA则使用后者或混合方法。

在这里，我们将在蛋白质组学分析中比较和对比DDA和DIA方法，以便读者可以对最佳应用的位置以及其优势和缺点是什么有用的概述。

数据依赖性采集（DDA）

特征

• 仅在串联MS的第二阶段进一步碎裂了选定的肽
• 这些选定的肽是在质量到电荷范围内选择的（m/z）信号强度
• 通常，选择最高丰度的前体（称为“顶部N”前体）进行进一步分析
• 顶部N通常为10-总共15个肽
• MS/MS数据采集依次针对每种肽
• 结果数据用于搜索现有数据库/S^1-5

优点

1. 更简单地设置和分析
2. 降低计算资源的需求
3. 跑步便宜
4. 用于DDA分析的数据库依赖性算法通常比从头算法
5. DDA可能最适合靶向分析（目标肽在现有数据库中），因为它提供了比DIA更敏感的定量
6. 允许使用各种化学标记方法（例如SILAC或ITRAQ）对样品之间的肽进行相对定量^1-5

缺点

1. MS仪器即时决定是顶部N前体，然后将它们一个接一个地碎片。这引入了一定程度的偏见。
2. 结果，DDA数据集可以包含“间隙”，其中仅在某些样品中鉴定出肽。即使引入了一些调整以减轻这种情况，但这仍然是一个问题。
3. 比DIA较低的精度和可重复性
4. 低丰度肽的代表性不足^1-5

独立的获取（DIA）

特征

• 在串联MS的第二阶段，所有肽均分散和分析
• 串联质谱是通过在给定时间（称为宽带DIA）进入质谱仪的所有离子或通过依次专注于狭窄的所有离子来获得的。m/z前体的窗口和在该窗口中检测到的所有前体的碎片
• MS/MS数据采集在肽之间并行发生
• 最终的MS光谱是高度多路复用的（MS²光谱）^1-5

优点

1. 不需要事先了解样品的蛋白质成分
2. 由于所有肽都包含在分析中，因此偏差较小
3. 允许更大的时间分辨率，这是某些分析的优势（例如，查看蛋白质表达或翻译后修饰的变化随着同一组织内的时间）
4. 可以在大型动态范围内量化复杂混合物中的蛋白质，从而克服使用DDA时的挑战
5. 比DDA提供更高的精度和更好的可重复性
6. 最佳方法发现蛋白质组学由于没有做出假设（例如，大型样品队列比较蛋白质表达的差异）
7. DIA数据可以通过改进的算法进行回顾性分析，以产生更好的结果^1-5

缺点

1. 生成的数据数量要大得多，因此可以对计算资源提出很大的需求
2. 由于MS的多重性质，数据分析是具有挑战性的²光谱
3. 无法直接应用用于DDA的基于数据库的稳健搜索方法
4. 在涉及复杂光谱的工具和软件中，需要进一步改进
5. 从头DDA中使用的搜索算法通常是迭代的，并且可能并不总是围绕相同的答案收敛
6. MS中的片段离子²光谱不能追溯到其前体，因为它们可能是由多个前体离子引起的
7. 往往比DDA贵
8. 在量化方面，由于必须扫描完整的频谱，因此DIA的灵敏度低于DDA，从而减少每个数据点的采集时间
9. 从头搜索算法在量化方面不如数据库搜索算法，该算法也可以降低定量敏感性
10. 算法需要控制已确定的肽之间的错误发现率，同时还可以识别尽可能多的实际肽^1-5

最后的想法

一些专家相信，由于DIA数据的复杂性的算法和软件的不断改进，DDA和DIA最终将合并为单个混合方法。确实，这似乎已经在发生最近的报告仍在出版中讨论了一种称为“与数据无关的获取蛋白质组学”或简称“ DDIA”的方法的开发。此方法将DDA和DIA在单个LC-MS/MS运行中结合在一起，并使用深度学习工具，并使用深度学习工具进行更多的学习工具简化数据分析。

总体而言，由于其易于设置和分析，DDA可能是您不熟悉串联MS和/或Discovery蛋白质组学的最佳使用方法。另一方面，如果您经验丰富，并且想要对样本的蛋白质组进行无偏见，更深入的看法，DIA是最好的方法特别是当这些样品来自一个有点研究的生物时（例如，水跳蚤，一种水生栖息地的基石）或细胞类型（例如，衰老细胞）。

参考

1. Hu A，Noble WS，Wolf-Yadlin A.蛋白质组学的技术进步：无关收购的新发展。f1000res。2016; 5（F1000教师Rev）：419。doi：10.12688/f1000research.7042.1。
2. Kawashima Y，Watanabe E，Umeyama T等。与数据无关的采集质谱法的优化，以进行深度敏感的蛋白质组学分析。int。J. Mol。科学。2019; 20（23）：E5932。doi：10.3390/ijms20235932。
3. Bruderer R，Bernhardt OM，Gandhi T等。实验参数在数据无关的质谱法中的优化显着提高了结果的深度和可重复性。摩尔细胞蛋白质组学。2017; 16（12）：2296–2309。doi：10.1074/MCP.RA117.000314。