编辑推荐：
在基于质谱（MS）的蛋白质组学研究中，缺失值（MVs）影响数据分析。研究人员开展了优化缺失值填补策略的研究，发现 MVs 与肽强度相关，“Mix” 策略在多数据集表现优异，提升了填补准确性与分析可靠性。
在生命科学研究的大舞台上，蛋白质组学就像一位神秘的舞者，通过研究蛋白质的各种特性，为我们揭示细胞活动的奥秘，帮助我们理解生理变化、疾病机制，甚至找到治疗疾病的关键靶点。基于质谱（MS）的蛋白质组学技术，更是为研究人员提供了高分辨率的 “显微镜”，能对生物样本中的肽、蛋白质等进行高通量定量分析。
然而，这个 “显微镜” 却存在一个棘手的问题 —— 缺失值（MVs）。在蛋白质组学数据中，MVs 频繁出现，就像在精美的画卷上出现了许多斑点，严重影响了数据的完整性和后续分析的可靠性。这些缺失值产生的原因多种多样，比如肽的含量可能低于仪器的检测极限，样本处理过程中蛋白质的降解或酶解不完全，还有数据处理时未能准确检测到真实信号等。目前常用的一些统计和机器学习方法，在处理这些缺失值时，往往采取 “一刀切” 的方式，没有考虑到缺失值背后复杂的原因，这就如同给不同病因的病人开同一种药，不仅无法解决问题，还可能引入偏差，让研究结果 “跑偏”。
为了攻克这个难题，来自未知研究机构的研究人员踏上了探索之旅，开展了一项旨在优化基于质谱的蛋白质组学缺失值填补策略的研究。他们深入挖掘数据，发现了一个关键线索：肽的平均强度与缺失率之间存在着强烈的负相关关系，也就是说，高丰度的蛋白质对应的肽缺失值较少，而低强度的肽更容易出现缺失值。基于此，研究人员提出了一种全新的 “Mix” 策略，根据肽的强度和缺失率将数据集划分为不同的区域，为每个区域量身定制最优的缺失值填补方法，以此提升填补的准确性，减少传统方法带来的偏差。
研究人员的这一发现意义重大。“Mix” 策略就像是为蛋白质组学数据修复打造的一把 “精准手术刀”，极大地提高了缺失值填补的准确性，让后续的统计分析和功能研究更加可靠，为深入了解蛋白质的功能和疾病机制提供了坚实的数据基础。该研究成果发表在《Computational and Structural Biotechnology Journal》上，为蛋白质组学领域的发展注入了新的活力。
研究人员为开展此项研究，运用了多种关键技术方法。他们使用了三个具有不同生物学背景、质谱仪器、数据集大小和肽缺失百分比的数据依赖性采集（DDA） LC-MS/MS 数据集。在数据处理阶段，采用 FragPipe 计算平台进行数据搜索，通过设置一系列参数对数据进行筛选和鉴定。在评估缺失值填补策略时，运用了归一化均方根误差（NRMSE）、Spearman 秩相关系数等多种评估指标，并通过随机去除部分数据来模拟缺失值，进而比较不同填补方法的优劣。
下面让我们深入了解一下研究结果：
- 方法开发：研究人员利用 Dataset A 的质量控制样本进行研究，发现肽平均强度与缺失率之间存在显著的负相关（R2 = 0.73，p - 值 < 2.2×10-16）。进一步分析发现，不同强度和缺失率区域的肽谱匹配类型差异较大，这表明不同区域的肽缺失原因可能不同。通过计算 NRMSE 来选择最优填补方法，结果显示随机森林（RF）在大多数区域表现最佳，但在某些高缺失率区域，贝叶斯主成分分析（BPCA）更具优势。将各区域的最优填补数据混合后得到 “Mix” 数据集，其 NRMSE 最低，且与原始数据相关性强，在训练集和测试集上均表现出良好的可靠性和稳健性。
- 策略验证：在 Dataset B 这个基准数据集上，研究人员再次验证了肽平均强度与缺失率之间的负相关关系（R2 = 0.20，p - 值 < 2.2×10-16）。同样，没有一种方法能在所有区域都表现最优，“Mix” 策略依旧脱颖而出，在 NRMSE、相关性、特异性和敏感性等指标上表现出色，其 ROC 曲线下面积（AUC）最高，表明它能很好地保留数据集的生物学特性。
- 实际应用：研究人员将 “Mix” 策略应用于 Dataset C（来自克罗恩病研究的数据集）。结果显示，该数据集同样存在肽平均强度与缺失率的负相关（R2 = 0.41，p - 值 < 2.2×10-16）。在各区域的填补方法测试中，RF 和 “Mix” 策略的 NRMSE 最低，且 “Mix” 策略在显著差异表达肽的再现性方面表现良好，仅次于协同过滤（CF）方法，进一步证明了其在实际研究中的可靠性和适用性。
在研究结论和讨论部分，研究人员强调了缺失值与肽强度之间的紧密联系，以及 “Mix” 策略相较于单一填补方法的优势。“Mix” 策略在多个数据集上都展现出了更高的准确性、再现性和可靠性，为蛋白质组学研究提供了更可靠的数据支持。不过，该研究也存在一定的局限性。例如，所使用的数据集不能完全涵盖蛋白质组学数据的所有变异性，在数据独立采集（DIA）的蛋白质组学数据中，缺失值模式和填补方法的有效性可能不同；“Mix” 策略的计算复杂度较高，对于大规模研究来说存在一定挑战；深度学习方法在小样本数据集上表现欠佳等。但研究人员也指出，通过应用于更多样化的数据集、采用机器学习自动化和并行计算等优化手段，有望进一步提升 “Mix” 策略的性能。总的来说，这项研究为蛋白质组学缺失值的处理提供了新的思路和方法，推动了蛋白质组学研究的发展，让我们在探索生命奥秘的道路上又前进了一步。
