Quantitative Analyse von Protein-Massenspektren
Quantitative Analyse von Protein-Massenspektren
Quantitative Analyse von Protein-Massenspektren
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
ten Hüllkurve gezogen. Basierend auf diesen 20 Punkten wird schließlich ein Fitting durchgeführt,<br />
bei dem versucht wird die Hüllkurve zu rekonstruieren.<br />
Für alle so erzeugten und gefitteten Szenarien / Hüllkurven werden die einzelnen Parameter in<br />
einem Histogramm aufgetragen, um deren Verteilung zu sehen. Die Ergebnisse der Monte-<br />
Carlo-Simulation sind in Abb. 5.1.2 zusammengefasst. Für alle drei Basisfunktionen sind die<br />
Histogramme (die Werte, welche aus dem Fitting resultieren) der Parameter Mittelpunkt und<br />
Sigma (Breite) aufgetragen. Beim Blick auf die Resultate fällt auf, dass die Streuung der Parameter<br />
Mittelpunkt und Sigma bei den letzten beiden Basisfunktionen am größten ist. Ein<br />
Grund hierfür kann sein, dass diese beiden stark überlappen müssen, um die resultierende<br />
Hüllkurve zu erzeugen (vgl. Abb. 5.1.1). B1 ist durch die Hüllkurve verhältnismäßig gut charakterisiert.<br />
B2 und B3 hingegen sind nicht eindeutig durch die Hüllkurve determiniert, d.h.<br />
die Position und die Amplitude beider Basisfunktionen können variiert werden und man erhält<br />
immer noch ein gutes Fitting Resultat (R² nahe 1). Konkret wird im Beispiel B3 beim Fitting<br />
einerseits <strong>von</strong> B1 und andererseits <strong>von</strong> B2 beeinflusst. Dadurch kommt es zu größeren Abweichungen<br />
der Parameter <strong>von</strong> den tatsächlichen Werten.<br />
Beim Betrachten der großen Parametervarianzen darf man nicht vergessen, dass die Simulationen<br />
schwierig ausgelegt sind – sie sollen die Grenzen aufzeigen. So beträgt bei den analytischen<br />
Daten das Rauschen i.d.R. unter 10% und die Punkte, auf denen ein Fitting durchgeführt<br />
wird, sind meistens äquidistant, was gewährleistet, dass über den gesamten Datenbereich<br />
ein gutes Fitting durchführbar ist. Bei den Simulationen hingegen wurden die Punkte zufällig<br />
gezogen. Es kann also durchaus passieren, dass ein Bereich der Hüllkurve überaus gut charakterisiert<br />
ist und ein anderer sehr schlecht. Dies erklärt, warum die Parameterabweichung vom<br />
tatsächlichen Wert stellenweise so groß ist (s. Abb. 5.1.2 B3).<br />
Neben den Parametern der Basisfunktionen ist auch die Betrachtung der Fläche (hier: Summe<br />
<strong>von</strong> I(z) über alle Ladungszustände z), welche die Hüllkurve beschreibt, <strong>von</strong> Interesse.<br />
Schließlich spiegelt sich die Fläche der Hüllkurve direkt im Quantifizierungsergebnis wider.<br />
Um diese Eigenschaft zu charakterisieren werden zwei weitere Testreihen gestartet, wobei jede<br />
1000 Szenarien enthält. Die Anzahl Szenarien wurde verdoppelt, um eine bessere Ge-<br />
72<br />
Abb. 5.1.1: Dargestellt ist die Hüllkurve<br />
einer schweren Kette eines Antikörpers.<br />
Folgende Verteilung wird für das<br />
Erzeugen der Hüllkurve verwendet:<br />
I(z)=B1+B2+B3<br />
B1=GAUSS(1647,39,4.7)<br />
B2=GAUSS(1698,60,4.2)<br />
B3=GAUSS(2855,52,5.4)