AIRPred: un predictor de modelo de aprendizaje profundo para las proporciones de intensidad de péptidos en la...

Área de la Ciencia:

• Proteomía
• Biología estructural
• La bioinformática

Sus antecedentes:

• La espectrometría de masas de enlace cruzado (XL-MS) es vital para comprender la estructura y la dinámica de las proteínas.
• Los métodos actuales para puntuar coincidencias de espectro entrelazadas (CSM) a menudo pasan por alto la intensidad de iones de fragmento, lo que lleva a falsos positivos.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo, AIRPred, para mejorar la identificación de CSM en XL-MS.
• Aprovechar las relaciones de intensidad de iones de fragmento para una distinción más precisa entre los CSM verdaderos y falsos.

Principales métodos:

• AIRPred utiliza bloques de red neuronal convolucional (CNN) para analizar los patrones de fragmentación de péptidos.
• Se incorpora una capa de atención para modelar las interacciones entre los péptidos reticulados.
• El modelo predice las relaciones de intensidad entre los pares de péptidos entrelazados.

Principales resultados:

• Las relaciones de intensidad de iones de fragmentos son consistentes en todos los experimentos y son efectivas para diferenciar los CSM verdaderos de los falsos positivos.
• AIRPred demostró una alta precisión en la predicción de las relaciones de intensidad durante la validación externa.
• El modelo mejoró significativamente la precisión de la identificación de péptidos en el análisis XL-MS.

Conclusiones:

• AIRPred ofrece un nuevo enfoque para el análisis de datos XL-MS mediante la incorporación de información sobre la intensidad de iones en fragmentos.
• Este modelo de aprendizaje profundo mejora la fiabilidad y la precisión de la identificación de CSM.
• AIRPred representa un avance significativo en la investigación de la proteómica estructural.