DeepSP:一个深度学习框架,用于空间蛋白质组学
Bing Wang1,2, Xiangzheng Zhang1, Chen Xu1
1Department of Histology and Embryology, State Key Laboratory of Reproductive Medicine and Offspring Health, Nanjing Medical University, Nanjing 211166, China.
Journal of proteome research
|June 14, 2023
概括
DeepSP是一种新的深度学习框架,使用质谱空间蛋白质组学数据增强了蛋白质细胞下定位 (PSL) 预测. 它提高了准确性和稳定性,有助于理解蛋白质功能和生物过程.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 细胞生物学 细胞生物学
- 生物信息学是一种生物信息学.
背景情况:
- 蛋白质亚细胞定位 (PSL) 对于理解蛋白质功能至关重要.
- 基于质谱 (MS) 的空间蛋白质组学提供高通量PSL预测.
- 现有的机器学习预测器在PSL注释准确性方面存在局限性.
研究的目的:
- 开发一个新的深度学习框架,DeepSP,以改善PSL预测.
- 使用基于MS的空间蛋白质组学数据,提高PSL预测的准确性和稳定性.
主要方法:
- DeepSP使用了一种新的特征地图,该地图来自蛋白质占用概况的差异矩阵.
- 包含一个卷积块注意模块来改进预测.
- 在独立的测试集上进行评估,并用于预测未知的PSL.
主要成果:
- 与现有方法相比,DeepSP在准确性和稳定性方面取得了显著的改进.
- 该框架有效地捕捉了蛋白质分布在亚细胞分数中的详细变化.
- 在预测已知和未知的PSL方面取得了卓越的性能.
结论:
- DeepSP为空间蛋白质组学中的PSL预测提供了一个高效和强大的框架.
- 促进对蛋白质功能和生物过程调节的更深入的了解.
- 预计将推进空间蛋白质组学研究领域.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.2K
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
12.0K
