• 相关产品 +
  • 相关服务 +
  • 相关应用 +
  • 相关案例 +
  • 相关下载 +

咨询信息

我们的产品覆盖了化学信息学,生物信息学,以及实验室信息管理
针对您的研究需求

我们为您选择最适合您的产品
上传时间:2016-04-13 16:16:04
如何使用Scaffold导入定性数据

1.数据准备:各类搜库软件的搜库结果文件,如Mascot的dat文件;Sequest的OUT目录或PD的MSF文件;Maxquant的结果目录;X!Tandem的xml文件;OMSSA的omx文件;waters PLGS的xml文件;spectrum mill的结果目录;以及任何由搜库软件导出的.mzid文件,如peaks,byonic,myrimatch,MS-GF+等;具体兼容列表请参考:http://www.cloudscientific.com/Detail/Download/124.html

2.Scaffold分析数据的操作视频:http://v.youku.com/v_show/id_XNjM4NTk0NTAw.html;

3.具体导入步骤请参考http://www.cloudscientific.com/Detail/Download/123.html

4.在打开Scaffold后new,新建Project;

5.第一步选择数据类型,必须选择对应的技术方法,否则将无法得到正确的结果:







几种常规的实验分组:

1.多个MALDI spot的蛋白鉴定(Scaffold tutorial_1):
BioSample:1
           Category:Uncategorized
           MudPIT:Off

Data Import:同时导入各个凝胶点的鉴定结果,如1.dat; 2.dat; 3.dat等;
Condense:任意
Scoring:UseLegacy PeptideProphet Scoring(Standard),非大规模数据不需要使用LFDR假阳性评估,非高精度质谱不需要High Mass Accuracy打分
结果展示形式:所有蛋白将全部显示在同一个样本中

2.同一组样本的多次重复实验(Scaffold Tutorial_2):

Biosample:每次重复单独定义一个Sample名称,如C1,C2,C3,C4,C5等
Category:Uncategorized
MudPIT:Off(如果每次重复实验均有多个2D-LC鉴定结果组成,则选择打钩)
Data Import:每个定义的Biosample导入对应实验的数据,一维或MALDI点实验就导入一次搜库结果;二维实验则一次导入所有馏分的搜库结果;
Condense:如数据较大,建议打钩
Scoring:预期的每次重复结果蛋白数大于100个的话,可以选择LFDR(假阳性评估)或LegacyPeptideProphet Scoring(High Mass Accuracy或Standard由使用的质谱MS1精度决定,ppm级别的选择high,Da级别的可以选择standard)
结果展示形式:每次重复实验的结果单独列出,并可以快速查看重复间的重现性

3.两组或多组实验比较(Scaffold Tutorial_4和6,4为单次重复,6为每组实验进行了两次重复):

Biosample:每组实验单独定义一个Sample名称,如Control,对照试验则可以命名为Treat。如每组实验均由多次重复实验组成,则需要分别命名为Control1,Control2等
Category:同一个分组的实验定义为同一个类别名称,如Control,Treat。
MudPIT:Off(如果每次重复实验均有多个2D-LC鉴定结果组成,则选择打钩)
Data Import:每个定义的Biosample导入对应实验的数据,一维或MALDI点实验就导入一次搜库结果;二维实验则一次导入所有馏分的搜库结果;
Condense:如数据较大,建议打钩
Scoring:预期的每次重复结果蛋白数大于100个的话,可以选择LFDR(假阳性评估)或LegacyPeptideProphet Scoring(High Mass Accuracy或Standard由使用的质谱MS1精度决定,ppm级别的选择high,Da级别的可以选择standard)
结果展示形式:每次重复实验的结果单独列出,并可以快速查看重复间的重现性;不同组别的数据可以在Quantify分类下看到具体组间差异;

4.多次定量实验分组:

常用的标记定量实验可以支持2、4、6、8、10种标记形式,但如果我们需要对复杂体系进行多次生物学重复时,我们可以新建多个biosample导入scaffoldQ+S进行定量,Scaffold可以组合来自于多次重复试验间的定量信息

Protein Grouping说明:http://www.cloudscientific.com/Detail/Download/125.html

Scoring System中新算法LFDR说明:http://www.cloudscientific.com/Detail/Download/126.html