Outline Background on Proteins and Shotgun Proteomics - - PowerPoint PPT Presentation

Efficient ¡Processing ¡of ¡Models ¡for ¡ ¡

Large-­‑scale ¡Shotgun ¡Proteomics ¡Data ¡

Himanshu ¡Grover, ¡Ph.D. ¡ Vanathi ¡Gopalakrishnan, ¡Ph.D. ¡ University ¡of ¡Pi;sburgh ¡ ¡ C-­‑Big ¡2012, ¡Pi;sburgh, ¡USA ¡ 14th ¡October, ¡2012 ¡

• Background ¡on ¡Proteins ¡and ¡Shotgun ¡Proteomics ¡
• ComputaJonal ¡ ¡modeling ¡framework: ¡

– Context-­‑sensiJve ¡PepJde ¡IdenJficaJon ¡(CSPI) ¡

• Problem ¡Statement ¡
• Methods ¡for ¡efficient ¡handling ¡
• Challenges ¡and ¡Future ¡Work ¡

Outline ¡

Proteomics ¡

Expression ¡

PTMs ¡ Interac?ons ¡

Proteomics ¡

Analytical tool to identify unknown compounds

IonizaJon ¡ Mass ¡Analyzer ¡ Sample ¡ Detector ¡

5 ¡

Mass ¡Spectrometry ¡

Complex ¡

Collabora?ve ¡

Amino ¡Acids ¡

Amino ¡Acids ¡and ¡Proteins ¡

Pep?de ¡Spectrum ¡

¡ ¡ Shotgun ¡Proteomics: ¡Protein/PepJde ¡ IdenJficaJon ¡ ¡

¡

EnzymaJc ¡ ¡Digest ¡ ¡

Protein ¡ sample ¡ Fragmenta?on ¡Spectrum ¡

Shotgun ¡Sequencing ¡

MS/MS ¡ (CID) ¡

• Rel. Int

m/z

Database ¡Searching ¡

Predominant methodology for peptide ID from MS/MS

8 ¡

Fact ¡!! ¡

< ¡30% ¡of ¡spectra ¡are ¡confidently ¡assigned ¡with ¡ pepJdes ¡

Ø Noise ¡ ¡ Ø Variability ¡

Ø Inadequate ¡scoring ¡systems

¡

9 ¡

Computa?onal ¡BoKlenecks ¡

¡

Ø High ¡volume ¡and ¡rate ¡of ¡data ¡genera?on ¡ § 24*7 ¡ § 200 ¡– ¡400 ¡^ ¡3 ¡spectra ¡per ¡day ¡from ¡moderate ¡sized ¡ labs ¡ ¡ Ø Large ¡protein ¡databases: ¡~90 ¡K ¡protein ¡sequences ¡for ¡ Humans ¡ § Constrained ¡searches: ¡

• ~5-­‑10 ¡^ ¡6 ¡unique ¡pepJdes ¡in ¡database ¡
• ~10-­‑20 ¡^ ¡3 ¡pepJdes ¡per ¡spectrum ¡

§ Unconstrained ¡searches ¡

• Over ¡billion ¡pepJdes ¡

Context-­‑SensiJve ¡PepJde ¡IdenJficaJon ¡ (CSPI) ¡Framework ¡DemysJfied ¡

Grover ¡et. ¡al. ¡(2012), ¡OMICS ¡(submi;ed ¡for ¡publica@on) ¡

¡ Ø Novel ¡probabilisJc ¡framework ¡

§ Scalable ¡and ¡flexible ¡

¡ Ø Specific ¡Goal: ¡Model ¡influence ¡of ¡pepJde ¡ physicochemical ¡context ¡on ¡the ¡observed ¡ peak ¡heights ¡(intensiJes) ¡in ¡fragmentaJon ¡ spectra ¡

11 ¡

Input-­‑Output ¡Hidden ¡Markov ¡Models ¡(IO-­‑HMM) ¡

Input-­‑output ¡Hidden ¡Markov ¡Model ¡

qt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt+1 ¡ ¡ yt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt+1 ¡ ¡

.... ¡ .... ¡

Hidden ¡Layer ¡ P(qt|qt-­‑1;Ө) ¡ (Transi?on ¡Probability) ¡ Output ¡Layer ¡ P(yt|qt;Ө) ¡ (Emission ¡Probability) ¡

yt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt+1 ¡ ¡ qt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt+1 ¡ ¡ xt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt+1 ¡ ¡

.... ¡ .... ¡

Hidden ¡Layer ¡ P(qt|qt-­‑1,xt;Ө) ¡ (Transi?on ¡Probability) ¡ Output ¡Layer ¡ P(yt|qt,xt;Ө) ¡ (Emission ¡Probability) ¡

Classical ¡Hidden ¡Markov ¡Model ¡ ¡ ¡

Input ¡ ¡ Layer ¡

CSPI ¡Model ¡Structure ¡

13 ¡

xt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt+1 ¡ ¡ ¡ qt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt+1 ¡ ¡

….. ¡ ….. ¡

yt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt+1 ¡ ¡

Input ¡Layer ¡ Hidden ¡Layer ¡ Output ¡Layer ¡

P ¡(qt|qt-­‑1, ¡xt; ¡Θ) ¡ P ¡(yt|qt; ¡Θ) ¡

Input ¡Layer: ¡PepJde ¡Physicochemical ¡Context ¡

S ― G ― F ― L ― E ― E ― D ― E ― L ― K

100 250 500 750 1000 Relative Intensity y6 y7 y2 y3 y4 y5 y8 y9 b3 b5 b6 b7 b8 b9 b4 m/z Experimental Spectrum

Local Global

14 ¡

‘Context’ ¡in ¡the ¡context ¡of ¡CSPI ¡

xt ¡= ¡{xt,0, ¡xt,1, ¡xt,2, ¡…., ¡xt,47} ¡

S − G − F − L − E − E − D − E − L − K

xt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt+1 ¡ ¡ ¡ qt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt+1 ¡ ¡

…. . ¡ …. . ¡

yt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt+1 ¡ ¡

Input ¡Layer ¡ Hidden ¡Layer ¡ Output ¡Layer ¡

100 250 500 750 1000 Relative Intensity Experimental Spectrum

Matching ¡A ¡PepJde ¡with ¡Experimental ¡Spectra ¡

9 1020 8 907 7 778 6 663 5 534 4 405 3 292 2 145

1

88

b ions

147 1 260 2 389 3 504 4 633 5 762 6 875 7 1022 8 1080 9

y ions S ― G ― F ― L ― E ― E ― D ― E ― L ― K 100 250 500 750 1000 Relative Intensity y6 y7 y2 y3 y4 y5 y8 y9 b3 b5 b6 b7 b8 b9 b4 m/z Experimental Spectrum

16 ¡

Normalized ¡IntensiJes ¡in ¡context ¡of ¡CSPI ¡

9 1020 8 907 7 778 6 663 5 534 4 405 3 292 2 145

1

88

b ions

147 1 260 2 389 3 504 4 633 5 762 6 875 7 1022 8 1080 9

y ions S ― G ― F ― L ― E ― E ― D ― E ― L ― K

xt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt+1 ¡ ¡ ¡ qt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt+1 ¡ ¡

…. . ¡ …. . ¡

yt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡yt+1 ¡ ¡

Input ¡Layer ¡ Hidden ¡Layer ¡ Output ¡Layer ¡

S ― G ― F ― L ― E ― E ― D ― E ― L ― K

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡t=0 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡t=1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡t-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡t ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡t+1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡T ¡

PSM ¡

Summary ¡

xt-­‑1,0… ¡47 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt,0… ¡47 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡xt+1,0… ¡47 ¡ ¡ ¡ qt-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡qt+1 ¡ ¡

…. ¡ …. ¡

yt-­‑1 ¡= ¡Ib/y, ¡t-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡yt ¡= ¡Ib/y, ¡t-­‑1 ¡ ¡ ¡ ¡ ¡ ¡ ¡yt+1 ¡= ¡Ib/y, ¡t-­‑1 ¡ ¡

ParameterizaJon: ¡TransiJon/Emission ¡ FuncJons ¡

¡

P(qt | qt−1 = j,xt;Θqt ) = 1 1+ exp(w k

Tx t ) k=1 S

∑

if yt ="NA" exp((w i

Tx t ))

1+ exp(w k

Tx t ) k=1 S

∑

;i = 1,2,...,s−1 if yt!="NA" ⎧ ⎨ ⎪ ⎪ ⎪ ⎩ ⎪ ⎪ ⎪ where w i

T are the Logistic Regression weight vectors

19 ¡

Logis?c ¡Func?on ¡

qt ¡ Xt ¡ Yt ¡ qt-­‑1 ¡

…. ¡ …. ¡

yt | qt ~ 1.0 if yt = 0 P(Θ) if yt > 0 ⎧ ⎨ ⎩ where P = Exp(λ), Be(α,β), N(µ ,σ 2 )

{ }

Emission ¡Distrns ¡

Parameter ¡EsJmaJon ¡

Ø Parameters ¡to ¡esJmate ¡per ¡CSPI ¡model ¡(4 ¡ hidden ¡states): ¡

Ø Over ¡700 ¡(LogisJc ¡funcJon ¡weights, ¡Emission ¡ distribuJon ¡parameters) ¡

Ø Maximum ¡Likelihood ¡ ¡

Ø Generalized ¡ExpectaJon ¡MaximizaJon ¡ ¡algorithm ¡ (GEM) ¡

20 ¡

Inference: ¡Log-­‑likelihood ¡RaJo ¡

Ø Score: ¡Log ¡Likelihood ¡RaJo ¡ ¡ Ø Computed ¡using ¡Forward ¡Procedure ¡

21 ¡

CSPI _ Score = log P(Spectrum intensities | PeptideSeq; ΘTrue) P(Spectrum intensities | PeptideSeq; ΘNull) # $ % & ' (

ComputaJonal ¡bo;leneck ¡

Ø Database ¡searching ¡

Ø Extract ¡candidate ¡pepJdes ¡(sub-­‑strings) ¡for ¡each ¡ spectrum ¡

¡ Ø Candidate ¡Pep?des’ ¡scoring ¡

Ø 200-­‑400 ¡^ ¡3 ¡spectra ¡* ¡~10-­‑20 ¡^ ¡3 ¡pep?des ¡ Ø CSPI: ¡ Ø Increases ¡performance ¡but… ¡ Ø takes ¡~5-­‑8 ¡seconds ¡per ¡spectrum ¡to ¡evaluate ¡ candidates ¡(under ¡constrained ¡searches) ¡

Database ¡Searching ¡

Ø Mass-­‑range ¡query ¡

Ø Amino ¡acids ¡(characters) ¡have ¡masses ¡

Ø Goal: ¡

Ø Search ¡for ¡sub-­‑strings ¡with ¡a ¡(roughly) ¡specific ¡ mass ¡

Ø Naïve ¡Approach: ¡

Ø Scan ¡the ¡protein ¡database ¡for ¡each ¡query ¡

Indexed ¡Database ¡Searching ¡

Ø Berkeley ¡DB: ¡key-­‑value ¡store ¡

Ø Pre-­‑compute ¡ Ø Key: ¡Mass ¡of ¡pepJde ¡ Ø Value: ¡LocaJon ¡and ¡length ¡of ¡pepJde ¡

¡ Ø MulJple ¡index ¡files ¡ Ø Time ¡(per ¡query): ¡< ¡1 ¡sec ¡

Challenge ¡

Ø Works ¡well ¡for ¡constrained ¡database ¡ searches: ¡

Ø Time ¡to ¡generate ¡ Ø Size ¡

Ø Issues ¡with ¡unconstrained ¡searches ¡

¡

Ø PotenJal ¡soluJon: ¡

Ø Parallel ¡generaJon ¡and ¡query ¡ Ø Simple ¡synchronizaJon ¡primiJves ¡and ¡mulJple ¡ index ¡files ¡facilitates ¡

Candidate ¡PepJde ¡Scoring ¡

Ø Embarrassingly ¡parallel ¡

§ For ¡each ¡spectrum, ¡searching ¡and ¡scoring/ ranking ¡is ¡independent ¡of ¡others ¡

¡ Ø UJlize ¡mulJprocessing ¡ ¡

Parallel ¡ImplementaJon ¡

• 1. ith spectrum
• 2. Candidates

Scored results for ith spectrum

Main (Parent) Process

• 1. Read and preprocess spectra
• 2. Query Protein Database

FIFO Task (Input) Queue Child Process ‘N’ Score and Rank

Put spectrum/candidates

• n shared queue

FIFO Results (Output) Queue

Extract obj from queue

Output (Child) Process Write results to file

Extract obj from Queue Put obj on queue Put obj on queue Put obj on queue Extract obj from queue Extract obj from queue

Child Process 2 Score and Rank Child Process 1 Score and Rank Protein Database (Index) Spectra

Parallel ¡ImplementaJon ¡

• 1. ith spectrum
• 2. Candidates

Main (Parent) Process

• 1. Read and preprocess spectra
• 2. Query Protein Database

FIFO Task (Input) Queue Child Process ‘N’ Score and Rank

• n shared queue

FIFO Results (Output) Queue

Output (Child) Process Write results to file

Child Process 2 Score and Rank Child Process 1 Score and Rank Protein Database (Index) Spectra

Challenges ¡and ¡PotenJal ¡SoluJons ¡

Ø Spectrum-­‑level ¡parallelizaJon ¡

¡

Ø Candidate-­‑level ¡opJmizaJon ¡can ¡provide ¡ further ¡gains: ¡

§ Non-­‑trivial: ¡

• Careful ¡profiling ¡of ¡individual ¡steps ¡
• IPC ¡overhead ¡vs. ¡performance ¡gain ¡

― Protein ¡Database ¡Size ¡ ― Search ¡Constraints ¡

Conclusions ¡and ¡Future ¡Work ¡

Ø Complex ¡and ¡computaJonally ¡intensive ¡algorithms ¡ ¡ Ø CollaboraJve ¡efforts ¡are ¡required ¡for ¡robust ¡analyses ¡ (evidence ¡combinaJon) ¡ Ø requires ¡efficient ¡processing ¡ Ø be;er ¡parameter ¡esJmates ¡ ¡ Ø Further ¡efficiency ¡improvements ¡ ¡

Ø Other ¡applicaJons: ¡ Ø Time-­‑series ¡

• Gene-­‑Expression ¡+ ¡Protein-­‑expression ¡
• MicroRNA ¡expression ¡+ ¡Gene ¡Expression ¡
• SJmulus/Response ¡

Acknowledgements ¡

Ø Funding ¡Agencies: ¡

§ This ¡work ¡was ¡supported ¡in ¡part ¡by ¡the ¡following ¡ grants: ¡NIGMS ¡Award ¡Number ¡K25GM071951, ¡ NIH ¡Award ¡Number ¡P41RR006009 ¡and ¡NLM ¡ Award ¡Number ¡R01LM010950 ¡to ¡Dr. ¡Vanathi ¡

• Gopalakrishnan. ¡

31 ¡

Thanks ¡

Ques?ons? ¡