NACH OBEN

Mature

Hier finden Sie unsere ausgereiften und stabilen Software-Tools mit Nutzer-Support.

MaCPepDB - Mass Centric Peptide Database

Für die Identifizierung von Peptiden in einer Probe anhand von Tandem-Massenspektren, wie sie bei DDA-Messungen entstehen, bilden Proteinsequenzdatenbanken wie die bekannte UniProtKB die Grundlage für die meisten Suchmaschinen zur Spektrenidentifizierung. Darüber hinaus ist für gezielte Proteomik-Ansätze wie die SRM (Selected Reaction Monitoring) und die PRM (Parallel Reaction Monitoring) die Kenntnis der Peptidsequenzen, ihrer Massen und der Frage, ob sie für ein bestimmtes Protein in einer Datenbank einzigartig sind, von wesentlicher Bedeutung. Da die meisten Bottom-up-Proteomik-Ansätze Trypsin zum Verdau der Proteine in einer Probe verwenden, sind die in einer Proteindatenbank enthaltenen tryptischen Peptide von großem Interesse.  MaCPepDB (Mass Centric Peptide Database) besteht aus dem vollständigen tryptischen Verdau der Swiss-Prot- und TrEMBL-Teile von UniProtKB. Diese Datenbank wurde speziell für die Abfrage von Peptiden nach Sequenz oder Masse mit zusätzlichen Filtern wie Massentoleranz oder posttranslationalen Modifikationen entwickelt und liefert die entsprechenden annotierten Peptide.



Publikation
Downloads
Kontakt
Links

PIA - Protein Inference Algorithms

PIA ist ein Werkzeugkasten für MS-basierte Proteininferenz- und Identifikationsanalysen. Mit PIA können Sie die Ergebnisse gängiger Suchmaschinen für die Identifizierung von Massenspektren einsehen, sie kombinieren und statistische Analysen durchführen. Das Hauptaugenmerk von PIA liegt auf den integrierten Inferenz-Algorithmen, d.h. auf der Schlussfolgerung der Proteine aus einem Satz identifizierter Peptide. Es erlaubt aber auch, Peptid-Spektrum-Matches (PSMs) zu inspizieren, FDR-Werte über verschiedene Suchmaschinenergebnisse hinweg zu berechnen und die Korrespondenz zwischen PSMs, Peptiden und Proteinen zu visualisieren.

PIA in a Nutshell

Die meisten Suchmaschinen zur Proteinidentifizierung in MS/MS-Experimenten geben Proteinlisten zurück, obwohl die eigentliche Suche eine Reihe von Peptid-Spektrum-Matches (PSMs) ergibt. Der Schritt von PSMs zu Proteinen wird als "Protein-Inferenz" bezeichnet. Wenn ein Satz von identifizierten PSMs den Nachweis von mehr als einem Protein in der gesuchten Datenbank unterstützt ("Protein-Mehrdeutigkeit"), wird in der Regel nur ein repräsentatives Protein angegeben. Diese Proteine können sich je nach verwendeter Suchmaschine und Einstellungen unterscheiden, weshalb die Proteinlisten verschiedener Suchmaschinen in der Regel nicht miteinander verglichen werden können. PSMs von komplementären Suchmaschinen werden oft kombiniert, um die Anzahl der gemeldeten Proteine zu erhöhen oder um die Evidenz eines Peptids zu verifizieren, die durch die Erkennung mit unterschiedlichen Algorithmen verbessert wird.

Wir haben mit PIA eine in Java geschriebene Algorithmen-Suite entwickelt, die vollständig parametrisierbare KNIME-Knoten enthält, die PSMs aus verschiedenen Experimenten und/oder Suchmaschinen kombinieren und konsistente und damit vergleichbare Ergebnisse produtzieren. Dabei sind verschiedene Parameter z.B. bezüglich der Filterung flexibel einstellbar. PIA kann über die Kommandozeile (auch in Docker-Containern) oder in der Workflow-Umgebung KNIME aufgerufen werden, was eine nahtlose Integration in OpenMS-Workflows ermöglicht.



Publikation
Downloads
Kontakt
Links

BIONDA

Die BIONDA Biomarker Datenbank bietet strukturierte Informationen zu allen Biomarkerkandidaten, die in PubMed-Artikeln veröffentlicht wurden. Es gibt keine Beschränkung auf irgendeine Art von Krankheiten. Zu diesem Zweck werden die Abstracts der PubMed-Artikel und renommierte Datenbanken wie UniProt und Human Disease Ontology als Quellen für die Datenbankeinträge von BIONDA verwendet. Diese werden mit Hilfe von Text-Mining-Methoden automatisch erfasst und regelmäßig aktualisiert. BIONDA ist über eine benutzerfreundliche Web-Schnittstelle frei verfügbar. Als spezifisches Merkmal werden die Datenbankeinträge von BIONDA durch einen Scoring-Ansatz bewertet, der die Zuverlässigkeit der Biomarker schätzt.


Publication
Kontakt
Links