在蛋白质组学，其中一个主要目的是比较感兴趣的样本（如健康的VS患病组织）以确定哪种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的方法之一。

目前有两种广泛的方法，旨在自下而上或“霰弹枪“MS蛋白质组学数据：数据相关的采集（DDA）和数据无关的采集（DIA）。¹在串联女士（MS / MS），DDA方法仅提出在第二个循环期间进行碎片的第一次循环期间产生的某些肽，同时具有直接方法，全部在第一MS循环期间产生的肽可以在第二轮分段。

与数据采集一样，可以使用两个主要方法之一来执行数据分析。¹数据库搜索，将测量光谱与已建立的数据库中的数据库进行比较德诺维搜索，其中MS / MS光谱首先被解码成多个“伪光谱”，然后使用数据库搜索与已知光谱进行比较。DDA采用第一种方法，而DEA使用后者或混合方法。

在这里，我们将比较和对比蛋白质组学分析中的DDA和DIA方法，使得读者可以获得它们最适合应用的概述以及它们的优缺点是什么。

数据依赖的采集（DDA）

特征

• 在串联MS的第二阶段，仅选定的肽进一步分散
• 将这些选定的肽选择在窄的质量 - 充电范围内（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种肽
• MS / MS数据采集为每种肽顺序发生
• 结果数据用于搜索现有数据库/ s^1-5.

pros

1. 更简单地设置和分析
2. 降低计算资源的需求
3. 跑步更便宜
4. 用于DDA分析的数据库相关算法通常比德诺维算法
5. DDA可能是最适合有针对性的分析（目标肽在现有数据库中），因为它提供比直接更敏感的定量
6. 允许使用各种化学标记方法（例如，Silac或Itraq）相对定量样品之间的肽^1-5.

cons

1. MS仪器决定了作为顶部N前体的飞行，然后将它们碎片碎片。这引入了偏差水平。
2. 结果，DDA数据集可以包含“间隙”，其中仅在一些样品中鉴定出肽。尽管已经引入了一些调整来缓解这一点，但这仍然是一个问题。
3. 比直径更低的精度和再现性
4. 低丰纹的肽是代表性的^1-5.

独立于数据的收购（DIA）

特征

• 所有肽在串联MS的第二阶段进行碎片和分析
• 通过在给定时间（称为宽带直径）或通过顺序聚焦在狭窄的时间内进行分割输入质谱仪的所有离子来获取串联质谱。m / z.前体窗口和在该窗口内检测到所有前体的片段
• MS / MS数据采集在肽上并行发生
• 产生的MS光谱是高度复用的（MS²光谱）^1-5.

pros

1. 不需要先前了解样品的蛋白质组成
2. 随着所有肽包含在分析中的偏差较少
3. 允许更大的时间分辨率，这是某些分析的优势（例如，在同一组织内随时间看蛋白质表达或翻译后修饰的变化）
4. 可以在大动态范围内量化复杂混合物中的蛋白质，从而克服使用DDA时造成欠采样的挑战
5. 提供比DDA更高的精度和更好的再现性
6. 最好的方法发现蛋白质组学没有假设是（例如，大型样品群体的比较看蛋白质表达的差异）
7. 可以通过改进的算法回顾性分析DIA数据以产生更好的结果^1-5.

cons

1. 生成的数据量要大得多，因此可以对计算资源进行高度需求
2. 由于MS的多路复用性质，数据分析是具有挑战性的²光谱
3. 无法直接应用用于DDA的强大的基于数据库的搜索方法
4. 用于对生产复杂谱的工具和软件中需要进一步的改进
5. 德诺维在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汇聚
6. MS中的片段离子²光谱不能追溯到它们的前体，因为它们可能由多个前体离子产生导致
7. 往往比dda更昂贵
8. 在量化方面，在必须扫描完整频谱时，DIA的灵敏度比DDA较低，降低每个数据点的采集时间
9. 德诺维搜索算法不如量化为数据库搜索算法，这也可以降低量化灵敏度
10. 算法需要控制所识别的肽中的假发现率，同时也尽可能多地识别真正的真实肽^1-5.

最后的想法

一些专家相信，由于算法和软件对解构DIA数据的复杂性的持续改进，DDA和DIA最终将合并为单一的混合方法。实际上，这似乎已经发生了最近的报告仍然在出版物中讨论了呼叫的方法的开发，“数据依赖性自动采集蛋白质组学”或“DDIA”。该方法将DDA和DIA结合在单个LC-MS / MS运行中，并使用深度学习工具简化数据分析。

总的来说，由于它易于设置和分析，DDA可能是如果您是串联MS和/或Discovery蛋白质组学的新手，则可能是使用的最佳方法。另一方面，DIA是最好的方法，如果您更经验丰富，并且您想要一个无偏见和更深入的样本蛋白质组，特别是当这些样品来自一点学习的生物体时（例如，水蚤，水生栖息地的梯形种类）或细胞类型（例如，衰老细胞的）。

参考

1. 胡A，贵族WS，Wolf-Yadlin A.蛋白质组学的技术进步：数据独立收购的新发展。F1000RES。2016; 5（F1000教师Rev）：419。DOI：10.12688 / F1000Research.7042.1.。
2. Kawashima Y，Watanabe E，Umyama T，等。无关采集质谱的优化深度高敏蛋白质组学分析。int。J.Mol。SCI。2019; 20（23）：E5932。DOI：10.3390 / IJMS20235932。
3. Bruderer R，Bernhardt Om，Gandhi T，等。在无关的数据质谱中的实验参数优化显着提高了结果的深度和再现性。mol细胞蛋白质组学。2017; 16（12）：2296-2309。DOI：10.1074 / mcp.ra117.000314。