GlycanGUI: Automated Glycan Annotation and Quantification Using Glucose Unit Index

Abstract

The retention time provides critical information for glycan annotation and quantification from the Liquid Chromatography Mass Spectrometry (LC-MS) data. However, the variation of the precise retention time of glycans is highly dependent on the experimental conditions such as the specific separating columns, MS instruments and/or the buffer used. This variation hampers the exploitation of retention time for the glycan annotation from LC-MS data, especially when inter-laboratory data are compared. To incorporate the retention time of glycan across experiments, Glucose Unit Index (GUI) can be computed using the dextrin ladder as internal standard. The retention time of glycans are then calibrated with respect to glucose units derived from dextrin ladders. Despite the successful application of the GUI approach, the manual calibration process is quite tedious and often error prone. In this work, we present a standalone software tool GlycanGUI, with a graphic user interface to automatically carry out the GUI-based glycan annotation/quantification and subsequent data analysis. When tested on experimental data, GlycanGUI reported accurate GUI values compared with manual calibration, and thus is ready to be used for automated glycan annotation and quantification using GUI.

A Reciprocal Best-hit Approach to Characterize Isomeric N-Glycans Using Tandem Mass Spectrometry

“…After processing the input MS/MS spectra, MultiGlycanTD selects candidate N-glycans based on their matched (within a given mass tolerance, by default 10 ppm) theoretical masses with the precursor m/z. Herein, each of the top three abundant isotopic peaks for an N-glycan 11 is considered for the precursor mass matching. We adopted the same procedure used in GlycoHybridSeq 12 for precursor ion matching.…”

“…13 The bucket search algorithm 12 is employed for the fast precursor ion match with putative Nglycan compositions within a user-defined mass tolerance. The matched N-glycan candidates are then validated by comparing the observed isotopic envelope (if the full mass spectrum is available) to the theoretical isotopic distribution with a correlation score (that is calculated according to previously published method 11 ) above a default threshold 0.8. The peaks are picked by local maximum with the m/z value calculated by using an intensity weighted average.…”

Discussion on the Definition and Improving Strategies of Selectivity in Analytical Chemistry

“…化学测量中一般都涉及化学反应。提高化学反应性(也称为"化学选择性" ，chemical selectivity) 是提高选择性的一个经典途径。选用与分析物进行选择性反应或化学试剂已经是分析方法中最常用 的策略之一。使用化学掩蔽剂来消除干扰物质的影响在分析化学络合滴定中有许多介绍。在分析测 定中，使用选择性高的生化反应或试剂是一种提高方法选择性的有用策略 [10] ，例如：酶-底物的催化 反应；激素-受体的结合反应；抗原-抗体结合反应等。通常认为这些生物反应有一定的特异性(即高 选择性)。 3. 2 [23] 、空间分辨 [24] 和电位分辨 [25] 也显著地提高多组分分析的选择性。 3.4 化学计量学方法 化学计量学方法已经应用于提高分析方法的选择性(也称为"计算选择性") [26] 。多元校正法、 模式识别法、聚类分析法等提高了多元分析的选择性和准确度。由于这些内容对于大学生相对陌生， 在此仅仅进行一些概念和应用方面的介绍。 多元校正法(偏最小二乘法)应用于非选择性近红外光谱，能够获得隐藏在这些光谱中的选择性 信息。傅立叶变换法和模式识别法(模式识别方法主要包括统计模式识别、结构模式识别、模糊模式 识别、人工神经网络等)极大地促进了近红外光谱技术的发展 [27] 。聚类分析法将对象集合划分为集合 或聚类，实现了多元组分的同时测定。 卡尔曼滤波器(Kalman filter)和人工神经元网络是从非选择性数据中获得选择性定量信息的两个 范例。卡尔曼滤波器是一种从一系列含噪声的测量信号中递归估计一个系统的参数和状态的算 法 [28] ，它已被应用于解决电化学和光谱学中的信号的重叠，处理流动分析中的数据，并且通常应用 于改进同时测定方法的选择性。神经元网络起源于对人类大脑功能进行建模的尝试。这些数学模型 包括称为神经元的高度互连的处理单元 [29] 。因此，人工神经元或计算机模拟神经元被设计为模仿生 物神经元的功能和人工神经元模仿人类的认知过程，适用于处理噪声、不完整甚至不一致的数据。 信息分布在大量模型参数上，这些模型参数具有很大的灵活性。人工神经网络已在许多领域得到应 用，这些领域包括模式识别、非线性回归分析、聚类分析、组合优化和图像压缩等。人工神经网络 的广泛应用是由于它们具有逼近复杂函数的能力，非常适合于非线性关系的建模。 将化学计量学应用于各种仪器分析方法中分析物的分辨可以获得最佳的选择性水平。因此，化 学计量学方法被广泛地应用于旨在发展基于化学反应性的多重校准方法，或提高重叠色谱峰的分辨 率的方法中。质谱在有机分析中的巨大成功是基于低分辨率质谱的使用数学处理方法获得分子的结 构信息。库搜索识别未知数和应用模式识别方法等化学计量方法已经用于从低分辨率质谱中自动解 析蛋白质的结构 [30,31] 。 人工智能(artificial intelligence)是一个相对较新的研究领域，旨在使用计算机运行模拟人脑认知 过程的代码来解决问题 [32]…”