Label-Free 定量
隨著設備的快速發展，非標記定量（label-free quantification，LFQ)技術開始成為定量蛋白質組學的有效可選方法，特別是當同位素標記或化學標記方法不可行，或過于昂貴時。
通過添加PEAKS Q定量模塊，用戶可以在數據分析工作流程中執行非標記定量。該方法是建立于至少兩個樣品中檢測到的所有肽段特征峰的相對豐度。 肽段特征峰的檢測是對每個樣品獨立進行，并允許特征譜峰存在交疊。隨后，使用高性能保留時間對齊算法（以及IMS-MS的離子淌度對齊算法）將同一肽在多個樣品中的特征譜峰進行可靠的比對。

結果解釋
PEAKS Q模塊生成一個用戶友好的交互式結果頁面，其中包括數據摘要以及每個肽段feature的更具體和詳細的信息。此外，易于使用的結果過濾器允許用戶通過許多參數篩選非標記定量的數據，包括最小倍數變化、unique peptide的數量甚至特定的電荷狀態。
每次PEAKS Q的LFQ搜索都包含Summary報告，包括樣品質量和豐度的總體統計數據，以及交互式熱圖（圖1）、蛋白質密度比率（圖2）以及蛋白質、肽和feature相關性分析圖（圖3）和變化趨勢（圖4）。最后，圖表概述顯示了ID- Transfer（match between run）之前和之后缺失值的百分比（圖5）。此圖表可以快速提醒用戶鑒定結果中的任何異常值樣本。
PEAKS LFQ的結果視圖旨在讓人輕松看到從一組到另外一組蛋白質發生的顯著的變化。 因此，并不是所有的蛋白質都顯示在默認結果中。不過，只需更改參數設置中的Q部分過濾參數，遞交任務可快速重新整合結果，輕松查看所有定量的蛋白質。
       
缺失值和ID Transfer
非標記定量方法通常用于大隊列生物樣本的蛋白質組學層面上的定量分析研究。 為了數據解釋的可靠性，不同的mass run之間的ID transfer對于降低假性缺失值至關重要。假性缺失值是由數據依賴采集(DDA)的隨機性或二級質譜譜圖解釋的困難產生的，通常在直接數據庫搜索中包含多個共碎裂的母離子，并且在數據非依賴性采集(DIA)中使用基于譜圖庫的多肽鑒定得到的定量深度有限。通過ID- Transfer，可以顯著減少缺失值。
使用PEAKS Q，非標記定量的工作流程使用基于MS2的鑒定方法和基于MS1的定量方法。PEAKS中提供了一個圖表，可以讓用戶在PEAKS的ID- Transfer算法之后輕松評估缺失值的百分比。