Transfer learning in DeepLC improves LC retention time prediction across substantially different modifications and...

科学分野:

• プロテオミクス
• 分析化学

背景:

• ペプチド保持時間の予測は価値がありますが、実験的な変動によって制限されます。
• 不正確な予測は、ペプチドの同定、検証、およびDIAスペクトルライブラリの生成を妨げます。
• キャリブレーションやカスタムモデルなどの現在の緩和戦略は、部分的な成功しか提供しません。

研究 の 目的:

• ペプチド保持時間予測の正確な転移学習を堅牢なソリューションとして実証すること。
• 液体クロマトグラフィー（LC）における実験パラメータの変動によって課される限界を克服すること。
• 異なるペプチド修飾およびLC条件における予測モデルの適応性とパフォーマンスを向上させること。

主な方法:

• 転移学習のための事前学習済みモデルパラメータの活用。
• ペプチド保持時間予測モデルへの転移学習の適用。
• トレーニングデータとは異なるペプチド修飾およびLC条件でのモデルパフォーマンスの評価。

主要な成果:

• 転移学習は、実験パラメータの変動によって引き起こされる限界を克服することに成功しました。
• 元のトレーニングとは異なるペプチド修飾やLC条件に対しても、高性能なモデルが達成されました。
• 転移学習の適応性は、幅広いプロテオミクスワークフローで効果的であることが証明されました。

結論:

• 転移学習は、正確なペプチド保持時間予測のための非常に堅牢なソリューションを提供します。
• このアプローチは、さまざまなプロテオミクスアプリケーションにおける予測の信頼性を大幅に向上させます。
• 転移学習は、さまざまなLC-MSワークフローにおける保持時間予測モデルの適用性を広げます。