MSBooster:使用基于深度学习的功能来提高的识别率
Kevin L Yang1, Fengchao Yu2, Guo Ci Teo3
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, MI, USA.
Nature communications
|July 27, 2023
概括
MSBooster通过使用深度学习来重新评分与预测的性质相匹配,提高了质谱中的鉴定. 该工具可以提高各种蛋白质组学工作流程的准确性,包括免疫组学和单细胞分析.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 计算生物学 计算生物学
- 质谱测量质量谱测量
背景情况:
- 在LC-MS/MS中酸标识依赖于数据库搜索算法.
- 像MSFragger这样的现有工具可以将光谱与候选序列相匹配.
- 准确的标识对于各种蛋白质组应用至关重要.
研究的目的:
- 介绍MSBooster,这是一个用于重新计分与光谱匹配的新工具.
- 利用深度学习来预测的特性,例如保留时间和离子流动性.
- 为了提高LC-MS/MS数据中的类鉴定的准确性和稳定性.
主要方法:
- MSBooster利用深度学习模型来预测的特性.
- 这些预测被纳入作为额外的功能,用于重新记录与光谱匹配.
- 该工具与MSFragger和Percolator一起进行了评估.
主要成果:
- MSBooster在各种工作流程中表现出实用性,包括免疫学和数据独立获取.
- 在单细胞蛋白质组学数据和来自离子流动性支持平台 (timsTOF MS) 的数据上验证了性能.
- 该工具在标识方面表现出了速度和稳定性.
结论:
- 在LC-MS/MS中,MSBooster显著提高了的识别准确性.
- 它与MSFragger和Percolator等既有工具的集成提供了一个强大的解决方案.
- MSBooster是FragPipe计算平台的宝贵补充,用于先进的蛋白质组学研究.


