To date, mass spectrometry (MS) data remain inherently biased as a result of reasons ranging from sample handling to differences caused by the instrumentation. Normalization is the process that aims to account for the bias and make samples more comparable. The selection of a proper normalization method is a pivotal task for the reliability of the downstream analysis and results. Many normalization methods commonly used in proteomics have been adapted from the DNA microarray techniques. Previous studies comparing normalization methods in proteomics have focused mainly on intragroup variation. In this study, several popular and widely used normalization methods representing different strategies in normalization are evaluated using three spike-in and one experimental mouse label-free proteomic data sets. The normalization methods are evaluated in terms of their ability to reduce variation between technical replicates, their effect on differential expression analysis and their effect on the estimation of logarithmic fold changes. Additionally, we examined whether normalizing the whole data globally or in segments for the differential expression analysis has an effect on the performance of the normalization methods. We found that variance stabilization normalization (Vsn) reduced variation the most between technical replicates in all examined data sets. Vsn also performed consistently well in the differential expression analysis. Linear regression normalization and local regression normalization performed also systematically well. Finally, we discuss the choice of a normalization method and some qualities of a suitable normalization method in the light of the results of our evaluation.

Abstract Quantitative proteomics has matured into an established tool and longitudinal proteomic experiments have begun to emerge. However, no effective, simple-to-use differential expression method for longitudinal proteomics data has been released. Typically, such data is noisy, contains missing values, has only few time points and biological replicates. To address this need, we provide a comprehensive evaluation of several existing differential expression methods for high-throughput longitudinal omics data and introduce a new method, Robust longitudinal Differential Expression (RolDE). The methods were evaluated using nearly 2000 semi-simulated spike-in proteomic datasets and a large experimental dataset. The RolDE method performed overall best; it was most tolerant to missing values, displayed good reproducibility and was the top method in ranking the results in a biologically meaningful way. Furthermore, contrary to many approaches, the open source RolDE does not require prior knowledge concerning the types of differences searched, but can easily be applied even by non-experienced users.

ABSTRACT Large-scale phospho-proteome profiling using mass spectrometry (MS) provides functional insight that is crucial for disease biology and drug discovery. However, extracting biological understanding from this data is an arduous task requiring multiple analysis platforms that are not adapted for automated high-dimensional data analysis. Here, we introduce an integrated pipeline that combines several R packages to extract high-level biological understanding from largescale phosphoproteomic data by seamless integration with existing databases and knowledge resources. In a single run, PhosPiR provides data clean-up, fast data overview, multiple statistical testing, differential expression analysis, phospho-site annotation and translation across species, multi-level enrichment analyses, proteome-wide kinase activity and substrate mapping and network hub analysis. Data output includes graphical formats such as heatmap, box-, volcano- and circos-plots. This resource is designed to assist proteome-wide data mining of pathophysiological mechanism without a need for programming knowledge.

In this study, we investigated the impact of bariatric surgery on the adipose proteome to better understand the metabolic and cellular mechanisms underlying weight loss following the procedure. A total of 46 patients with severe obesity were included, with samples collected both before and after bariatric surgery. Additionally, 15 healthy, non-obese individuals who did not undergo surgery served as controls and were studied once. We utilized quantitative liquid chromatography tandem mass spectrometry analysis to conduct a large-scale proteomic study on abdominal subcutaneous biopsies obtained from the study participants. Our proteomic profiling revealed that among the 2254 compared proteins, 46 were upregulated, and 34 were downregulated 6 months post-surgery compared to baseline (FDR < 0.01). We observed a downregulation of proteins associated with mitochondrial integrity, amino acid catabolism, and lipid metabolism in the patients with severe obesity compared to the controls. Bariatric surgery was associated with an upregulation in pathways related to mitochondrial function, protein synthesis, folding and trafficking, actin cytoskeleton regulation, and DNA binding and repair. These findings emphasize the significant changes in metabolic and cellular pathways following bariatric surgery, highlighting the potential mechanisms underlying the observed health improvements post-bariatric surgery. The data provided alongside this paper will serve as a valuable resource for the development of targeted therapeutic strategies for obesity and related metabolic complications.

Summary We introduce a new method for Pathway Analysis of Longitudinal data (PAL), which is suitable for complex study designs, such as longitudinal data. The main advantages of PAL are the use of pathway structures and the suitability of the approach for study settings beyond currently available tools. We demonstrate the performance of PAL with three longitudinal datasets related to the early development of type 1 diabetes, involving different study designs and only subtle biological signals. Transcriptomic and proteomic data are represented among the test data. An R package implementing PAL is publicly available at https://github.com/elolab/PAL . Motivation Pathway analysis is a frequent step in studies involving gene or protein expression data, but most of the available pathway methods are designed for simple case versus control studies of two sample groups without further complexity. The few available methods allowing the pathway analysis of more complex study designs cannot use pathway structures or handle the situation where the variable of interest is not defined for all samples. Such scenarios are common in longitudinal studies with so long follow up time that healthy controls are required to identify the effect of normal aging apart from the effect of disease development, which is not defined for controls. PAL is the first available pathway method to analyse such high-investment datasets.

Metaproteomics is an emerging research area which aims to reveal the functionality of microbial communities - unlike the increasingly popular metagenomics providing insights only on the functional potential. So far, the common approach in metaproteomics has been data-dependent acquisition mass spectrometry (DDA). However, DDA is known to have limited reproducibility and dynamic range with samples of complex microbial composition. To overcome these limitations, we introduce here a novel approach utilizing data-independent acquisition (DIA) mass spectrometry, which has not been applied in metaproteomics of complex samples before. For robust analysis of the data, we introduce an open-source software package diatools, which is freely available at Docker Hub and runs on various operating systems. Our highly reproducible results on laboratory-assembled microbial mixtures and human fecal samples support the utility of our approach for functional characterization of complex microbiota. Hence, the approach is expected to dramatically improve our understanding on the role of microbiota in health and disease.

Abstract Mass spectrometry based metaproteomics is a relatively new field of research that provides the ability to characterize the functionality of microbiota. Recently, we were the first to demonstrate the applicability of data-independent acquisition (DIA) mass spectrometry to the analysis of complex metaproteomic samples. This allowed us to circumvent many of the drawbacks of the conventionally used data-dependent acquisition (DDA) mass spectrometry, mainly the limited reproducibility when analyzing samples with complex microbial composition. However, the previous method still required additional DDA data on the samples to assist the DIA analysis. Here, we introduce, for the first time, a DIA metaproteomics approach that does not require any DDA data, but instead replaces a spectral library generated from DDA data with a pseudospectral library generated directly from the metaproteomics DIA samples. We demonstrate that using the new DIA-only approach, we can achieve higher peptide yields than with the DDA-assisted approach, while the amount of required mass spectrometry data is reduced to a single DIA run per sample. The new DIA-only metaproteomics approach is implemented as open-source software package DIAtools 2.0 , which is freely available from DockerHub.