Analysis of LC-MS Data Using probabilitic-based mixture regression models (Analyse von LC-MS-Daten mit wahrscheinlichkeitsbasierter Mischung von Regressionsmodellen)

A novel framework of a probabilistic-based mixture regression model (PMRM) is presented for alignment of multiple liquid chromatography-mass spectrometry (LC-MS) data with respect to retention time (RT) and mass-to-charge ratio (m/z). The expectation maximization algorithm is used to estimate the joint parameters of spline-based mixture regression models and prior transformation density models. The applicability of PMRM for alignment of LC-MS data is illustrated through three datasets. The performance of our method is compared with other approaches including dynamic time warping, correlation optimized warping, and continuous profile model in terms of coefficient variation of replicate LC-MS data and accuracy in detecting differentially abundant peptides/proteins. Zusammenfassung Basierend auf Regressionsmodellen (probabilistic-based mixture regression models, PMRM) wird ein neues Verfahren zur Analyse von Daten aus der Flüssigchromatographie-Massenspektrometrie (LC-MS) vorgestellt. Das Verfahren kann für die Anordnung der LC-MS-Daten im Hinblick auf die Retentionszeit (RT) und die Masse zu Ladung (m/z) verwendet werden. Hierzu wird ein Erwartungswert-Maximierungsalgorithmus zur Schätzung der gemeinsamen Parameter der Spline-basierten Mischung von Regressionsmodellen und Dichten eingesetzt. Die Anwendbarkeit der Methode wird mit drei LC-MS-Datensätzen demonstriert. Die Leistung unserer Methode wird mit anderen Ansätzen (d. h. dynamic time warping, correlation optimized warping, und continuous profile model) im Hinblick auf die Koeffizientenveränderung der mehrfachen LC-MS-Daten und auf die Identifikationsgenauigkeit der differentiell reichlichen Peptide/Proteine verglichen.