Expansiunea rapidă a partajării datelor de proteomică prin extinderea ProteomeXchange
Peste 64.000 de seturi de date de proteomică au fost acum gestionate prin intermediul ProteomeXchange, iar cea mai recentă actualizare a consorțiului arată cum standardele mai inteligente, instrumentele de reutilizare mai puternice și resursele pregătite pentru IA transformă partajarea datelor biologice.
Într-un recent articol de actualizare a bazei de date publicat în revista Nucleic Acids Research, o echipă internațională de autori a descris progresele recente, creșterea datelor, standardizarea și direcțiile viitoare ale Consorțiului ProteomeXchange în facilitarea partajării datelor de proteomică conform principiilor FAIR (Findable, Accessible, Interoperable, Reusable).
Partajarea datelor de proteomică este esențială pentru avansarea cercetării în domeniul bolilor, medicamentelor și biologiei umane. În ultima decadă, creșterea rapidă a proteomicii bazate pe spectrometria de masă a generat seturi de date vaste, dar valoarea lor depinde de accesibilitate și reutilizare. Principiile FAIR au fost dezvoltate pentru a ghida gestionarea și administrarea datelor științifice într-un mod care să susțină știința reproducibilă și transparentă. Platformele colaborative joacă acum un rol crucial în integrarea și distribuirea acestor date între discipline. Totuși, este necesară o inovare continuă pentru a gestiona complexitatea în creștere a noilor seturi de date.
Consorțiul menține o infrastructură care permite depunerea, stocarea și diseminarea standardizată a datelor proteomice generate prin spectrometrie de masă. Printre repositoarele membre care au contribuit la arhivarea și accesul la date se numără Proteomics IDEntifications database (PRIDE), PeptideAtlas, Mass Spectrometry Interactive Virtual Environment (MassIVE), Japan Proteome Standard Repository/Database (jPOST), Integrated Proteome Resources (iProX) și Panorama Public. Seturile de date depuse au inclus fișiere brute de spectrometrie de masă, date procesate cu rezultate de identificare și cuantificare, precum și metadate experimentale structurate conform standardelor dezvoltate de Proteomics Standards Initiative (PSI).
Încărcările eficiente au fost realizate folosind o serie de protocoale de transfer de date, inclusiv File Transfer Protocol (FTP), Aspera, Hypertext Transfer Protocol Secure (HTTPS), Web Distributed Authoring and Versioning (WebDAV) și PRESTO. De asemenea, standardizarea metadatelor a fost îmbunătățită prin Sample and Data Relationship Format (SDRF)-Proteomics, permițând o mapare clară între mostre și condițiile experimentale. Identificatorii unici pentru seturile de date (identificatorii seturilor de date ProteomeXchange) au asigurat trasabilitatea, iar seturile de date reanalizate au fost atribuite identificatorilor RPXD.
ProteomeCentral a integrat metadatele din toate repositoarele, facilitând căutarea și recuperarea seturilor de date printr-o platformă unică. Identificatorii Universali ai Spectrului (USI) au permis identificarea și vizualizarea precisă a spectrelor individuale. Infrastructura a facilitat, de asemenea, reutilizarea acestora la scară, integrarea cu resurse externe și utilizarea în fluxurile de lucru de învățare automată și inteligență artificială (IA).
Statisticile actualizate de depunere din cadrul consorțiului au arătat o creștere semnificativă a partajării și reutilizării datelor proteomice la nivel global. Până în iunie 2025, un total de 64.330 de seturi de date au fost depuse, dintre care 44.248 (69%) sunt accesibile publicului, reflectând un angajament puternic față de știința deschisă. Este demn de menționat că 47% din toate seturile de date au fost depuse în ultimii trei ani, evidențiind o tendință accelerată în generarea și partajarea datelor.
Majoritatea depunerilor au provenit din repository-ul PRIDE (77%), urmat de iProX (11%), MassIVE (7,4%), jPOST (3,8%) și cantități foarte mici de la Panorama Public și PeptideAtlas. Peste 80 de țări au contribuit la aceste resurse publice de proteomică, indicând că utilizarea proteomicii în cercetarea biomedicală este răspândită la nivel global.
Resursele ProteomeXchange sprijină din ce în ce mai mult formate standardizate și metadate mai bogate pentru a îmbunătăți interoperabilitatea între seturile de date. Formatele dezvoltate de PSI și SDRF-Proteomics au îmbunătățit calitatea, reproducibilitatea și valoarea metadatelor din seturile de date. Utilizarea generală a USI-urilor a facilitat accesul și vizualizarea spectrelor individuale în diverse repositoare de date. Acest lucru a sporit transparența și validarea rezultatelor experimentale.
Activitățile de reutilizare a datelor au crescut, de asemenea, în cadrul consorțiului. Seturile de date publice au fost reanalizate pentru a obține noi perspective biologice, cum ar fi validarea secvențelor de proteine și identificarea modificărilor post-translaționale. Integrarea cu UniProt Knowledge Base (UniProtKB) a ajutat la maparea a peste 93% din proteomul uman, demonstrând puterea analizei datelor.
Resursele de proteomică cantitativă, cum ar fi MassIVE.quant și quantms, au permis analize reproducibile la scară mare. În plus, integrarea multi-omics prin resurse precum Omics Discovery Index (OmicsDI) și MGnify a ajutat la integrarea seturilor de date de proteomică, genomică și transcriptomică.
Aplicațiile inteligenței artificiale și învățării automate sunt din ce în ce mai bine sprijinite de disponibilitatea seturilor de date de înaltă calitate. Instrumente precum MassIVE-Knowledge-Base (MassIVE-KB) și ProteomicsML au facilitat dezvoltarea de modele predictive pentru identificarea peptidei, fragmentare și cuantificarea proteinelor. Aceste progrese transformă proteomica într-un domeniu bazat pe date, având aplicații viitoare potențiale în medicina de precizie.
Cu toate acestea, există încă multe provocări în acest domeniu de cercetare. Datorită reglementărilor de confidențialitate, cum ar fi Regulamentul General privind Protecția Datelor (GDPR) și Legea privind Portabilitatea și Responsabilitatea Asigurărilor de Sănătate (HIPAA), sunt necesare sisteme de acces controlat și capacități de arhivare mai avansate pentru datele umane. În plus, au apărut noi tehnologii care utilizează proteomica ca metodă principală de măsurare și nu depind de spectrometria de masă, inclusiv platformele de proteomică prin afinitate, cum ar fi SomaLogic și Olink assays. Acest lucru va duce la noi metodologii de cercetare; prin urmare, cercetătorii ar putea avea nevoie de resurse suplimentare.
Consorțiul ProteomeXchange a creat un mediu inovator și colaborativ pentru partajarea globală a datelor de proteomică, aliniat la principiile FAIR. Introducerea formatelor standardizate, creșterea scalabilității și furnizarea de instrumente analitice de vârf au facilitat reutilizarea pe scară largă a datelor existente pentru a avansa inovațiile în biologie și medicină. Cu toate acestea, progresul viitor depinde de rezolvarea problemelor legate de confidențialitate, scalabilitate și tehnologiile emergente.
