雾:带来光谱图书馆预测到metaproteomics一个高效的搜索索引指数

科学领域:

• 计算生物学和生物信息学
• 蛋白质组学和质谱学.
• 生命科学中的深度学习应用

背景情况:

• 深度学习的进步使得碎片的预测在以质谱为驱动的协同蛋白质组学中变得更加可行.
• 目前的光谱预测应用主要仅限于验证数据库搜索结果或有限的搜索空间.
• 完全预测的光谱图书馆还没有有效地适应在大型搜索空间问题在metaproteomics或proteogenomics.

研究的目的:

• 开发和展示使用Prosit用于metaproteomics的光谱库预测的工作流.
• 实施一个高效的索引和搜索算法,Mistle,用于在预测图书馆内识别实验性质谱.
• 与现有的搜索引擎相比,评估Mistle工作流程的准确性,运行时间和内存效率.

主要方法:

• 用Prosit进行两种常见的metaproteomes上的光谱库预测.
• 开发并实施了Mistle索引和搜索算法.
• 模拟了经典的蛋白质序列数据库搜索工作流程,以光谱预测作为中间步骤.
• 在光谱和数据库搜索层面上,Mistle与流行的搜索引擎进行了比较.

主要成果:

• 与MSFragger数据库搜索相比,Mistle工作流显示出更高的准确性.
• 在运行时间方面,Mistle明显优于其他光谱图书馆搜索引擎.
• 米斯尔表现出了显著的内存效率,RAM使用量减少了4至22倍.
• 工作流适用于大型搜索空间,包括各种微生物组的全面序列数据库.

结论:

• 开发的工作流程,包括Prosit预测和Mistle算法,为大规模的蛋白质基因数据分析提供了高效和准确的方法.
• 在速度和内存效率方面,Mistle的卓越性能使其成为metaproteomics和proteogenomics的宝贵工具.
• 这种方法提供了一个可扩展的解决方案,用于在复杂的生物样本中识别.