Dokument 2.pdf - OPUS-Datenbank - Universität Hohenheim
Dokument 2.pdf - OPUS-Datenbank - Universität Hohenheim
Dokument 2.pdf - OPUS-Datenbank - Universität Hohenheim
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
4.5 Massenspektrometrie<br />
der Validierung und Ergänzung der durch Mascot erhaltenen Daten.<br />
Nach erfolgter Suche wurden die Identifizierungen einer statistischen Auswertung unterzogen.<br />
Dabei wurden sowohl die Mascot- als auch die X!Tandem-<strong>Datenbank</strong>suche sowie<br />
die von beiden Suchmaschinen eingesetzten Scoring-Systeme berücksichtigt. Das Prinzip<br />
des „Scoring“ wird im Folgenden anhand des Mascot-Algorithmus erläutert. Um die<br />
Qualität der Identifizierung eines MS/MS-Spektrums durch den Mascot-Suchalgorithmus<br />
zu beurteilen, werden von Mascot die beiden Größen „Mascot-Ion-“ und „Mascot-<br />
Identity-Score“ verwendet. Dabei stellt der „Mascot-Ion-Score“ ein Maß für die Wahrscheinlichkeit<br />
dar, dass die Identifizierung des Spektrums rein zufällig erfolgt. Je kleiner<br />
der Mascot-Ion-Score, desto höher die Wahrscheinlichkeit, dass es sich bei einer gegebenen<br />
Identifizierung um ein zufälliges Ereignis handelt. Der Mascot-Identity-Score kann<br />
hingegen als Schwellenwert für ein vorgegebenes Signifikanzniveau (p < 0,05) angesehen<br />
werden. Ein „Mascot-Ion-Score“ welcher unter dem „Mascot-Identity-Score“ liegt, wird<br />
als nicht signifikant angesehen.<br />
Basierend auf diesen beiden Größen berechnet der in Scaffold implementierte „Peptide<br />
Prophet Algorithmus“ eine Verteilung des so genannten „Discrimination Scores“<br />
(Mascot-Ion-Score minus Mascot-Identity-Score) und leitet daraus eine Wahrscheinlichkeit<br />
für „Korrektheit“ einer Identifizierung mit einem bestimmten Mascot-Ion-Score<br />
ab (Abbildung 4.3) (Keller et al., 2002).<br />
Für die im Rahmen dieser Arbeit durchgeführten Analysen wurden folgende Kriterien<br />
festgelegt: Peptide wurde als identifiziert betrachtet, wenn sie eine Peptid-Wahrscheinlichkeit<br />
von 80% oder mehr aufwiesen. Ein Protein musste mit mindestens zwei Peptiden<br />
und einer Protein-Wahrscheinlichkeit von 99% identifiziert werden, um als identifiziert<br />
zu gelten. Dabei wurde die Protein-Wahrscheinlichkeit mit Hilfe des Protein Prophet<br />
Algorithmus auf Basis der Peptid-Wahrscheinlichkeiten berechnet (Nesvizhskii et al.,<br />
2003). Zudem wurde sowohl eine „False Discovery Rate“ (FDR) auf Peptid-, als auch auf<br />
Proteinebene ausgegeben. Die aus dieser Analyse erhaltenen Ergebnisse wurden dann in<br />
einem zweiten Schritt (s. Abschnitt 4.5.5) mit Informationen aus weiteren <strong>Datenbank</strong>en<br />
vervollständigt.<br />
Abweichend von dem hier beschriebenen Vorgehen wurden die Proben des Ethylenglycol-Teilprojekts<br />
lediglich mit Mascot gegen die NCBI-<strong>Datenbank</strong> (Kategorie: Bakterien)<br />
gesucht. Eine zweite Suche mit X! Tandem entfiel.<br />
65