AttnPep:一种基于自我注意的深度学习方法,用于在枪支蛋白质组中识别
Journal of proteome research
|January 22, 2024
概括
深度学习模型AttnPep通过使用Self-Attention模块来改善谱匹配 (PSM) 在猎枪蛋白质组学中的得分. 这种新的方法提高了准确性,与现有软件相比,可以识别更正确的标识.
科学领域:
- 蛋白质组学是指蛋白质组学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 枪支蛋白质组学通过搜索引擎识别,生成光谱匹配 (PSM).
- 许多已识别的PSM是不正确的,需要后处理软件来重新排名.
- 现有的重新排名方法面临着诸如分布依赖和浅层模型等局限性.
研究的目的:
- 介绍AttnPep,这是一个深度学习模型,用于恢复PSM分数.
- 为了利用Self-Attention模块来改进功能重点和PSM分类.
- 为了提高猎枪蛋白质组学中类鉴定的准确性.
主要方法:
- 开发了AttnPep,这是一个包含自我注意模块的深度学习模型.
- 在PSM数据上训练和评估AttnPep,将其与PeptideProphet,Percolator和proteoTorch.ch进行比较.
- 基于正确的PSM (q值<0.01) 和合成的识别来评估性能.
主要成果:
- 与现有方法相比,AttnPep显示正确的PSM平均增加了9.29%.
- 自我注意模块使AttnPep能够专注于相关特征,改善PSM歧视.
- AttnPep在区分正确与不正确的PSM方面表现出卓越的能力,并在复杂的SWATH数据中识别出更多的合成.
结论:
- 在谱匹配得分准确度方面,AttnPep提供了显著的进步.
- 与Self-Attention的深度学习方法有效地解决了当前重新排名软件的局限性.
- 在蛋白质组学研究中,AttnPep提供了一种更强大,更准确的鉴定方法.


