El aprendizaje de transferencia en DeepLC mejora la predicción del tiempo de retención de LC a través de...

Área de la Ciencia:

• La proteómica es la proteómica.
• Química Analítica La Química Analítica es la

Sus antecedentes:

• La predicción del tiempo de retención de péptidos es valiosa, pero limitada por variaciones experimentales.
• Las predicciones inexactas dificultan la identificación, validación y generación de bibliotecas espectrales DIA.
• Las estrategias actuales de mitigación como la calibración o los modelos a medida ofrecen sólo un éxito parcial.

Objetivo del estudio:

• Demostrar el aprendizaje de transferencia como una solución robusta para la predicción precisa del tiempo de retención de péptidos.
• Para superar las limitaciones impuestas por las variaciones en los parámetros experimentales en la cromatografía líquida (LC).
• Para mejorar la adaptabilidad y el rendimiento de los modelos de predicción a través de diferentes modificaciones de péptidos y condiciones de LC.

Principales métodos:

• Aprovechar los parámetros del modelo pre-entrenado para el aprendizaje de transferencia.
• Aplicación del aprendizaje de transferencia a los modelos de predicción del tiempo de retención de péptidos.
• Evaluación del rendimiento del modelo en modificaciones de péptidos y condiciones de LC distintas de los datos de entrenamiento.

Principales resultados:

• El aprendizaje por transferencia supera con éxito las limitaciones causadas por las variaciones de parámetros experimentales.
• Se lograron modelos de alto rendimiento incluso para modificaciones de péptidos y condiciones de LC diferentes del entrenamiento original.
• La adaptabilidad del aprendizaje de transferencia demostró ser efectiva en una amplia gama de flujos de trabajo de proteómica.

Conclusiones:

• El aprendizaje de transferencia ofrece una solución altamente robusta para la predicción precisa del tiempo de retención de péptidos.
• Este enfoque mejora significativamente la confiabilidad de las predicciones para diversas aplicaciones de proteómica.
• El aprendizaje de transferencia amplía la aplicabilidad de los modelos de predicción de tiempo de retención en diversos flujos de trabajo LC-MS.