蛋白質組定量方法之Q定量方法詳解
SILAC特征峰對檢測&質量評分
SILAC特征峰對齊& ID-Transfer
SILAC定量的理想情況是從MS/MS譜中能夠獲得足夠的信息得到肽段序列。然而，有時MS/MS信息不足以鑒定肽段，甚至無法獲得。為了對這些特征峰進行鑒定，需要在較為狹窄的質量范圍和保持時間內，通過對齊特征峰的方式從另一次MS run中匹配。因此，首先對齊不同LC-MS的保留時間，然后將ID結果從包含ID信息的Mass run轉移到ID信息不足的Mass run。
單組分析的配對T- 檢驗
配對t-檢驗是集成在PEAKS中的統計工具，用于單組SILAC數據分析。當用戶嘗試評估不同標記狀態(tài)之間的蛋白質表達水平是否在重復重復中變化一致時，可以設置單組SILAC實驗。例如，藥物治療的細胞在SILAC重標培養(yǎng)基中生長（條件1），而對照細胞在正常培養(yǎng)基中生長（條件2）。通過LC-MS/MS組合分析條件1的重標蛋白和條件2的輕蛋白，配對t-檢驗可用于分析條件1和2之間的蛋白質水平是否存在顯著差異。一個樣本中的重標特征峰和輕標特征峰在配對t檢驗中被視為一對。
用于多組比較的Welch’s ANOVA分析
ANOVA分析是集成在PEAKS中的統計工具，用于多組間SILAC數據分析。當用戶嘗試評估不同標記狀態(tài)之間的蛋白質表達水平是否在多個組中發(fā)生變化時，可以設置多組SILAC實驗。例如，藥物治療的細胞在SILAC重標培養(yǎng)基中生長（條件1），而對照細胞在正常培養(yǎng)基中生長（條件2）。在不同的時間點，例如10、15、20天，通過LC-MS/MS組合和分析來自條件1的重標蛋白和來自條件2的輕標蛋白。不同的時間被認為是不同的組，每組應包括至少兩個重復。
如果實驗數據具有不等方差，則經典方差分析非常不穩(wěn)定。在這種情況下，Welch’s ANOVA分析是經典方差分析的替代品。對于正態(tài)、異方差和平衡數據（即每組具有相同數量的樣本），Welch’s ANOVA分析最為有效，并且第一類錯誤率最低。因此，PEAKS SILAC Q采用Welch’s ANOVA分析進行多組比較。
用于非標記定量的Top Three Peptide選擇
PEAKS Q檢測并且關聯2標或3標，在一定保留時間內具有相同電荷，相似的MS1特征峰型、在預期內的由標記所引起的質量偏移，且處在一定質量誤差范圍內的SILAC特征峰對。為每個SILAC特征對分配一個質量打分（Qulity score），這個打分考慮一系列因素，如特征峰強度，提取離子色譜圖是否具有相似的峰型，以及質量誤差。質量打分越高表明對SILAC對的定量越具有高可信度。
SILAC特征峰對齊& ID-Transfer
SILAC定量的理想情況是從MS/MS譜中能夠獲得足夠的信息得到肽段序列。然而，有時MS/MS信息不足以鑒定肽段，甚至無法獲得。為了對這些特征峰進行鑒定，需要在較為狹窄的質量范圍和保持時間內，通過對齊特征峰的方式從另一次MS run中匹配。因此，首先對齊不同LC-MS的保留時間，然后將ID結果從包含ID信息的Mass run轉移到ID信息不足的Mass run。
單組分析的配對T- 檢驗
配對t-檢驗是集成在PEAKS中的統計工具，用于單組SILAC數據分析。當用戶嘗試評估不同標記狀態(tài)之間的蛋白質表達水平是否在重復重復中變化一致時，可以設置單組SILAC實驗。例如，藥物治療的細胞在SILAC重標培養(yǎng)基中生長（條件1），而對照細胞在正常培養(yǎng)基中生長（條件2）。通過LC-MS/MS組合分析條件1的重標蛋白和條件2的輕蛋白，配對t-檢驗可用于分析條件1和2之間的蛋白質水平是否存在顯著差異。一個樣本中的重標特征峰和輕標特征峰在配對t檢驗中被視為一對。
用于多組比較的Welch’s ANOVA分析
ANOVA分析是集成在PEAKS中的統計工具，用于多組間SILAC數據分析。當用戶嘗試評估不同標記狀態(tài)之間的蛋白質表達水平是否在多個組中發(fā)生變化時，可以設置多組SILAC實驗。例如，藥物治療的細胞在SILAC重標培養(yǎng)基中生長（條件1），而對照細胞在正常培養(yǎng)基中生長（條件2）。在不同的時間點，例如10、15、20天，通過LC-MS/MS組合和分析來自條件1的重標蛋白和來自條件2的輕標蛋白。不同的時間被認為是不同的組，每組應包括至少兩個重復。
如果實驗數據具有不等方差，則經典方差分析非常不穩(wěn)定。在這種情況下，Welch’s ANOVA分析是經典方差分析的替代品。對于正態(tài)、異方差和平衡數據（即每組具有相同數量的樣本），Welch’s ANOVA分析最為有效，并且第一類錯誤率最低。因此，PEAKS SILAC Q采用Welch’s ANOVA分析進行多組比較。
用于非標記定量的Top Three Peptide選擇
通過排除：（1）具有修飾和未修飾形式的多肽（2）冗余肽；選擇三種豐度最高的Unique肽段（Top Three Peptide）進行蛋白質比例的估算。
（點擊圖片即可查看活動詳情）
如果您想深入了解更多關于PEAKS 軟件更多內容，歡迎掃描下方二維碼關注我們！
