★ FEATURED ARTICLE 做蛋白组学的同行应该都体会过那种感觉跑完一轮DIA数据非依赖采集质谱拿到几十个raw文件然后在软件前面坐一下午要么鉴定数上不去要么定量结果飘得没法看要么跑一个晚上才出几个文件的结果。DIA-NN这个软件我大概是从它刚发布那时候开始用的一路从旧版本用到现在的版本可以说它把这三个问题都解决得相当彻底——鉴定深度高、速度快、定量准。这篇东西我打算把所有实战相关的内容都倒出来从软件原理到参数设置从界面操作到结果解读尽可能让一个从来没碰过DIA-NN的人也能照着跑完一轮正式分析。已经用过一段时间的也可以直接跳到参数和踩坑部分看看有没有自己忽略的细节。DIA-NN的全称是Data-Independent Acquisition by Neural Networks翻译过来就是“基于神经网络的数据非依赖采集分析”核心卖点是用深度神经网络来对DIA数据进行肽段鉴定和定量校正。它特别适合处理大队列的DIA蛋白组数据无论是Thermo的Orbitrap系列还是Bruker的timsTOF都能支持。我见过不少人在Spectronaut和DIA-NN之间反复纠结但说实话DIA-NN作为免费软件能提供这个级别的鉴定深度和处理速度已经没有不用的理由了。1. DIA数据为什么难分析先搞明白DIA-NN解决了什么1.1 DIA和DDA的本质差异很多人上手DIA-NN之前对DIA数据的复杂性没有足够认识结果参数乱调效果自然差。要理解DIA-NN为什么要用神经网络得先知道DIA和传统DDA数据依赖采集的本质区别。DDA模式下质谱仪先扫一张一级谱MS1从里面挑强度最高的若干个母离子逐个碎裂采集二级谱MS2。每个MS2对应一个明确的母离子数据分析时只需要把MS2和数据库里的理论谱图比对流程非常直接。DIA就不一样了。它把整个质荷比m/z范围划分成一系列窗口比如每个窗口20 m/z然后对每个窗口内的所有母离子同时碎裂采集一张包含大量混合碎片的MS2。这样做的优势是采集的离子覆盖度极高不会漏掉低丰度离子但代价是每个MS2图谱里混杂了多个母离子的碎片信号传统“一个谱图对应一个肽段”的解析逻辑直接失效。这就是DIA数据分析最大的痛点你拿到的是高度重叠、高度混合的谱图要从这些混杂信号里还原出每个肽段真实的色谱峰和丰度靠常规搜索引擎是搞不定的。1.2 DIA-NN的几个核心技术点DIA-NN之所以能高效解决上述问题靠的是几个关键设计第一是谱图库生成方式的革新。传统的DIA分析通常依赖从DDA数据构建的谱图库spectral library建库本身费时费力而且DDA鉴定到的肽段会限制DIA的鉴定范围。DIA-NN支持无库分析directDIA也就是不需要预先构建DDA谱图库直接从FASTA蛋白质序列数据库生成理论谱图库再通过神经网络对理论谱图进行评分和精炼。这个特性让没有现成谱图库的研究组也能快速开展DIA分析。第二是深度神经网络的应用。DIA-NN的神经网络不是用来做图像识别那种而是专门用来学习“色谱保留时间-碎裂模式-质谱信号”之间的复杂关系。它会在分析过程中根据实际数据不断校正预测模型使得肽段鉴定和信号峰识别的准确率显著提高。第三是干扰校正和定量算法。DIA窗口内的信号混合必然带来干扰DIA-NN通过识别和校正干扰信号能够更准确地计算每个前体离子的峰面积从而实现更可靠的定量。这在复杂样本中尤其重要直接决定了低丰度蛋白能不能被准确定量。我自己常用的一个比喻DDA像拍照时逐个对焦每张照片主题明确DIA像全景扫描信息全但画面里元素重叠。DIA-NN就像那个能把重叠画面拆开、还原出每个元素真实状态的算法。2. 准备阶段下载、安装与数据文件梳理2.1 软件下载与运行环境DIA-NN的安装相对简单软件本体是一个可执行程序我会建议直接去官方GitHub仓库或者官网的发布页面下载最新release版本。运行DIA-NN的电脑配置我给出一个自己的经验范围配置项最低要求推荐配置操作系统Windows 10 64位Windows 10/11 64位或Linux服务器内存16 GB64 GB及以上处理器4核8核以上显卡无NVIDIA GPU支持CUDA用于加速存储50 GB可用空间视样本量准备充足空间需要说明的是DIA-NN虽然支持GPU加速但没有GPU时用CPU跑也完全可行只是速度慢一些。我的实测感觉是同样一批样本GPU加速能明显压缩处理时间特别是跑大队列的时候。如果你手头是深度学习推理任务较多的场景建议优先用GPU。还有一点值得注意DIA-NN在Linux服务器上也能运行通过命令行模式操作适合处理大规模数据。但绝大多数实验室场景Windows图形界面已经完全够用了。2.2 输入文件的组织运行DIA-NN之前把输入文件整理清楚可以省掉后面很多麻烦。你需要准备的东西主要包括质谱原始文件Thermo的.raw文件、Bruker timsTOF的.d文件夹、SCIEX的.wiff文件等。DIA-NN对不同厂商格式的支持程度不完全一样Thermo和Bruker的支持最完善。蛋白质序列数据库FASTA格式文件尽量使用目标物种的ReviewedSwiss-Prot数据库或者加上常见污染蛋白contaminants序列。如果做有库分析还需要准备谱图库文件通常是由DDA数据生成的谱图库DIA-NN支持导入多种格式包括Spectronaut、OpenSwath等生成的库。我把raw文件统一放在一个文件夹里FASTA文件单独放然后建一个输出文件夹。注意路径里最好不要带中文和空格这个习惯能避免许多莫名其妙的问题。DIA-NN虽然对中文路径的容忍度比好多老软件好但没必要冒险。2.3 数据质量初检正式分析之前先快速看一下原始数据的质量。我一般用Thermo的免费工具或者直接在仪器软件里检查基峰色谱图BPC确认几个点色谱峰是否正常、有没有明显的气泡或堵塞导致的信号中断、注射标样如果加了的保留时间是否稳定。这一步不是必须的但可以避免浪费一整天跑一个注定失败的分析。尤其是临床队列样本样本质量参差不齐提前发现异常文件可以及时决定是重跑还是剔除。3. 核心参数逐项拆解搞懂这些才算入门3.1 有库分析与无库分析directDIA的取舍打开DIA-NN图形界面第一个要做的决定是选择“library-free”还是“library-based”模式。Library-free模式directDIA只需要提供FASTA数据库DIA-NN会基于序列生成的肽段理论谱图并结合深度神经网络对信号进行打分。优点是不依赖DDA谱图库省去了建库步骤鉴定深度通常也相当好。缺点在于对FASTA数据库质量要求较高如果数据库污染严重或者物种选择错误鉴定结果会受影响。Library-based模式则需要事先准备好谱图库。谱图库包含肽段序列、保留时间、碎片离子等信息能提供更精细的鉴定依据。对于某些特殊场景——比如使用的色谱梯度或碎裂方式比较特殊或者需要分析翻译后修饰——有库分析可能更有优势。我的建议是常规蛋白组样本尤其是一开始接触DIA数据时优先用library-free模式如果已经积累了成熟的DDA谱图库或者对特定修饰的检测有要求再切换到library-based。现在DIA-NN的directDIA模式已经很成熟大多数场景下不需要特意去建库。3.2 FASTA数据库与酶切规则在“FASTA”栏选择你的蛋白质序列数据库文件。关于数据库选择有几个容易踩的坑物种要正确人源样本用人源蛋白质数据库小鼠样本用小鼠数据库不要混用。如果研究的是肿瘤细胞系可以考虑加进常见污染蛋白数据库。Reviewed还是TrEMBL我一般用Swiss-ProtReviewed条目为主因为注释完善且冗余度低。TrEMBL的条目太多会让搜索空间爆炸鉴定结果反而可能变差。是否需要加入污染蛋白强烈建议加入常见污染蛋白比如角蛋白、牛血清白蛋白等序列这样可以在后续结果中直接排除这些干扰。酶切规则Protease默认是Trypsin/P这是绝大多数蛋白组学实验的选择。如果你的实验用了其他酶比如LysC记得修改否则酶切位点对不上鉴定率会直线下降。Missed cleavages漏切位点一般设1到2。设太高会增加搜索空间影响速度设太低会漏掉一些含有漏切位点的真实肽段。我通常设1如果鉴定率偏低可以尝试2。3.3 肽段与离子参数设置这一组参数直接决定了你搜索的“理论肽段空间”大小Peptide length range肽段长度范围默认7-30基本覆盖了常规蛋白酶解产物的长度分布。Precursor charge range母离子电荷范围通常设为2-4。大部分酶解肽段带2或3电荷个别带4不需要覆盖到更高的电荷态。Precursor m/z range母离子质荷比范围需要和实际的DIA采集窗口范围匹配。比如你用400-1000 m/z的采集范围这里就对应填400-1000。Fragment m/z range碎片离子质荷比范围同理要和实际采集的二级碎片范围对应。这些参数如果和采集方法不一致分析时很多离子信号就没法被匹配鉴定数会大打折扣。我第一次用旧版软件时就是没注意母离子范围设置直接导致几百个文件全部白跑。3.4 质谱精度与窗口设置Mass accuracy参数在DIA-NN里分两个MS1精度和MS2精度。默认通常是20 ppm和20 ppm这个数值适配大多数高分辨质谱仪。如果仪器校准状态好可以把MS1调到10 ppm左右能略微提升特异性但如果校准不佳硬调低反而会漏掉真实信号。Scan window扫描窗口这个参数需要特别留意。DIA-NN需要知道你的DIA窗口大小以m/z为单位或者设为0让软件自动从数据中估计。如果你的DIA方法用的是固定窗口比如每个窗口20 m/z这里直接填20如果是可变窗口建议填0让软件自动推断。填错了会导致保留时间和信号匹配问题。3.5 定量与归一化选项Quantification strategy定量策略有几种仅用前体离子定量Quantification with precursor、用峰面积定量Quantification with peak areas等。前体离子定量通过提取前体离子的色谱峰面积来进行定量简单直接峰面积定量则结合二级碎片信息在干扰较严重时可能更稳健。常规实验我推荐默认策略没有特殊理由不用改。Cross-run normalization跨样本归一化默认是开启的DIA-NN会自动选择合适的归一化方法。对于多批次或者大队列数据这个功能非常有用能有效减少批次效应。不要轻易关闭。还有一项容易被忽视的选项是“Match between runs”跨样本匹配开启后软件会在不同样本之间匹配相似的前体离子信号从而减少缺失值。这对发现差异蛋白有显著帮助但也存在一定假阳性风险。我的做法是先跑完初步分析检查数据质量再决定是否用跨样本匹配做一轮重新分析而不是在最开始就开上。4. 实战流程从界面到命令行完整跑通DIA-NN4.1 图形界面操作步骤DIA-NN的图形界面GUI设计得比较简洁左边是参数面板中间是文件列表右边是运行日志。整个流程大致是第一步在“Raw file(s)”栏添加所有raw文件。可以用Browse按钮选择文件或文件夹支持多选也能直接把文件拖进去。第二步在“FASTA”栏选择蛋白质数据库文件。第三步选择运行模式。Library-free模式下不需要额外文件Library-based模式需要指定谱图库文件。第四步按前文说明设置各项参数。如果拿不准大部分参数保持默认即可只需要确认FASTA、酶切规则、母离子范围、窗口大小这几项。第五步设置输出文件夹。第六步点击“Run”开始分析。运行过程中右侧日志区会实时显示处理进度包括谱图库生成、保留时间预测模型训练、各样本处理等阶段。用GUI跑通一次之后你会发现这个流程其实非常短真正的难点在于参数含义的理解和结果的判断。4.2 一个实际可复制的无库分析参数实例下面给出一个典型的无库分析参数配置适用于市面常见的Thermo Q Exactive HF系列DIA数据Raw files所有.raw文件FASTA人源Swiss-Prot数据库含污染蛋白ProteaseTrypsin/PMissed cleavages1Peptide length range7-30Precursor charge range2-4Precursor m/z range400-1000根据实际DIA范围调整Fragment m/z range200-1800通常可以覆盖MS1 mass accuracy20 ppmMS2 mass accuracy20 ppmScan window0自动推断或填入实际窗口大小比如20Quantification strategy默认峰面积定量Cross-run normalization开启输出目录单独建立的文件夹这样一份配置跑几十个样本通常只需要几十分钟到几个小时具体时间取决于样本量和机器性能。跑完之后DIA-NN会在输出文件夹里生成多个结果文件后面再逐个解读。4.3 Linux服务器上的命令行运行如果你的数据量很大或者需要在服务器上批量处理命令行模式比图形界面更实用。DIA-NN提供命令行调用方式基本格式是diann --file /path/to/raw/files/*.raw \ --fasta /path/to/database.fasta \ --out /path/to/output/report.tsv \ --lib /path/to/library.tsv \ --threads 16 \ --qvalue 0.01 \ --matrices命令行里的参数和GUI基本一一对应。用命令行最大的好处是可以写循环脚本批量运行多个数据批次或者嵌入到Snakemake、Nextflow等流程管理工具中。我在处理大队列时通常把DIA-NN放在流程里自动化运行输出统一命名省去大量手动操作。4.4 有库分析的运行方式有库分析时需要在界面勾选“Use spectral library”并指定谱图库文件。DIA-NN支持的库格式包括DIA-NN自己的谱图库格式.tsvSpectronaut格式OpenSwath格式MaxQuant的evidence格式谱图库里的关键信息包括肽段序列、修饰、保留时间、碎片离子m/z和强度等。DIA-NN会利用这些信息进行信号识别和打分。有一点要注意谱图库的质量直接影响最终鉴定结果。如果谱图库本身鉴定深度有限DIA分析结果也会被限制。所以如果有自己生成的优质DDA谱图库可以先用起来没有的话directDIA模式反而更省事而且效果不差。5. 结果文件解读别拿到report.tsv就看不懂了5.1 主要输出文件一览运行完成后输出文件夹里会出现多个文件最重要的是以下几个文件名称内容说明report.tsv主报告文件包含每个前体离子的鉴定和定量信息report.pr_matrix.tsv前体离子定量矩阵行是前体离子列是样本report.pg_matrix.tsv蛋白组定量矩阵方便直接做差异分析report.protein.tsv蛋白水平的鉴定与定量信息library.tsv本次分析生成或使用的谱图库report.quantification.tsv可用于重新定量的中间文件其中report.pg_matrix.tsv是我最常用来做下游分析的因为它已经是蛋白水平归一化后的定量矩阵可以直接导入R语言或Python做后续统计。5.2 report.tsv核心字段说明report.tsv里的列非常多我刚用的时候也看得头大。总结几个必须关注的核心字段Protein.Group蛋白组编号。DIA-NN会尽量区分蛋白组但存在同源序列时多个蛋白会归到同一个蛋白组。Protein.Ids、Protein.Names、Genes蛋白ID、名称和基因名用于注释。PG.Q.Value蛋白组水平的q值即FDR值。一般以0.01作为显著阈值。Q.Value单个前体离子的q值。Precursor.Id前体离子标识通常由肽段序列、电荷态等组成。Modified.Sequence修饰后的肽段序列。Quantity定量值即该前体离子在样本中的强度或峰面积。RT保留时间。Proteotypic是否为蛋白特异性肽段。1表示是蛋白特异的0表示该肽段可能对应多个蛋白。做下游分析前可以先按PG.Q.Value 0.01过滤一遍只保留高置信度的蛋白组这样可以有效剔除低质量鉴定。5.3 如何初步判断分析结果好坏拿到结果后先快速做几个质量检查看总蛋白鉴定数人源细胞或组织样本无库分析模式下通常能鉴定到8000到10000以上的蛋白组。如果远低于这个数需要考虑参数或者样本问题。看前体离子鉴定数通常比蛋白组数高一个数量级以上。看缺失值比例如果每个样本里大量蛋白是缺失的可能因为样本复杂度过高、上样量不足或者定量参数不合适。看蛋白定量CV变异系数如果是对同一样本的技术重复蛋白定量CV通常在10%-20%以内。我习惯用Python的pandas快速统计一下每个样本的蛋白鉴定数和定量值分布画个箱线图。这一步虽然简单但能非常直观地暴露问题。6. 我踩过的坑与调优经验6.1 常见报错与排查思路DIA-NN分析过程中有几个问题出现频率极高我逐个说下原因和对策。第一个是运行到一半提示内存不足。常见于大批量样本同时处理或者搜索空间设置过大。解决办法是减少同时处理的样本数在设置里调整线程和批处理大小或者把Peptide length range、Charge range等参数收窄削减理论肽段空间。第二个是鉴定数量偏低。先检查FASTA数据库物种是否正确再看母离子范围是否和采集方法匹配最后检查Scan window是否正确。这三项是最常见的坑按照这个顺序排查基本能定位。第三个是跨样本匹配后结果反而变差。跨样本匹配确实能减少缺失值但如果样本间色谱行为差异很大匹配会产生错误对应。遇到这种情况可以关闭跨样本匹配重新分析对比两次结果的差异再决定是否使用。6.2 性能调优与批次处理处理超大队列数据时我有几个经过实测的经验内存够的前提下线程数尽量给足。DIA-NN能有效利用多核CPU核心越多处理越快。如果是GPU机器确保CUDA环境正常速度提升非常明显。分批次处理比一次性塞几百个raw文件更稳妥。比如每50-80个样本为一批单独运行一次分析然后用DIA-NN的跨样本匹配功能把各批次的结果整合起来。这样即使某一批出问题也不至于影响全部数据。输出文件命名有规律可循。在每个输出文件名前加上批次标识比如batch1_report.tsv避免覆盖。我用流程管理工具就是看中了这一点重复运行时不会误删结果。6.3 一些小技巧和细节最后分享几个不是所有人都知道的小技巧第一DIA-NN生成的library.tsv文件可以重复利用。如果你做同类型样本的后续批次可以先跑第一批生成谱图库后面批次用library-based模式基于这个库分析能显著提速且保持跨批次一致性。第二report.quantification.tsv可以作为中间文件用于重新计算。比如你想尝试归一化方式变化对结果的影响不需要重新跑完整分析直接利用这个文件调整定量参数即可速度非常快。第三别忘了看软件自带的说明文档。DIA-NN的发布页面和GitHub上有详细的参数解释和更新日志版本更新时最好对照一下因为部分默认参数在不同版本间可能有调整直接影响结果可比性。我自己在使用中体会到最深的还是那句话参数不在多在于理解每个参数背后对应质谱实验的哪个环节。只要你把DIA采集原理搞明白了一半再上手DIA-NN就只是时间问题了。
阅读完成 · 觉得有帮助？
