IALA-LNN:ペプチド保持時間の予測のためのディープラーニング,改良された人工レミングアルゴリズム-最適化された液体ニューラルネットワークに基づいています

科学分野:

• プロテオミクス プロテオミクスは,プロテオミクスの
• コンピュータ生物学 コンピュータ生物学
• アナリティカル・ケミストリー (Analytical Chemistry) とは

背景:

• 精密なペプチド保持時間の予測は,液体染色体-タンデム質量スペクトロメトリ (LC-MS/MS) プロテオミクスにおける信頼性の高い識別に不可欠です.
• 静的なニューラルネットワークを使用する既存の方法は,複雑なペプチド配列依存関係と闘っています.
• 現在のハイパーパラメータ最適化は計算的に非効率であり,最適以下の結果を生成します.

研究 の 目的:

• IALA-LNNを導入し,ペプチド保持時間の予測を強化するために,通常の微分方程式 (ODEs) によって支配される液体ニューラルネットワーク (LNNs) を利用するフレームワークを導入する.
• より正確な保持時間予測のためにペプチド構造における連続依存性のモデリングを改善する.
• プロテオミクスの複雑な機械学習モデルのための効率的なハイパーパラメータ最適化戦略を開発する.

主な方法:

• 連続的な情報を捕捉するために,通常の微分方程式 (ODEs) によって支配される状態の進化を持つ液体ニューラルネットワーク (LNNs) を採用した.
• ESM-2およびProtT5タンパク質言語モデルを使用して統合された二重エンコーディング.
• ハイパーパラメータチューニングのための高度な最適化技術と改良された人工レミングアルゴリズム (IALA) を利用しました.

主要な成果:

• IALA-LNNはRP,SCX,HILICクロマトグラフィで高い精度を達成し,R2値はそれぞれ0.994,0.998,0.998でした.
• 平均絶対誤差 (MAE) 値は0.07分以下で,例外的な精度を証明しました.
• 保持時間予測において,DeepRT,DeepLC,Prositなどの確立された方法よりも優れている.

結論:

• 微分方程式ベースのニューラルネットワークは,ペプチド保持パターンを効果的にモデル化します.
• IALA-LNNはペプチド識別の信頼性を大幅に高め,LC-MS/MSプロテオミクスにおける誤った発見率を低下させます.
• このフレームワークは,バイオマーカー発見やターゲットを絞ったワークフローを含む,精密プロテオミクスのアプリケーションをサポートします.