深度学习使实验HDX-MS数据的自动校正能够在蛋白质建模中的应用中实现

科学领域:

• 生物化学 生化学
• 分析化学 分析化学
• 计算生物学 计算生物学

背景情况:

• -交换质谱法 (HDX-MS) 测量了蛋白质的动态.
• 在HDX-MS中的质量转移可能因的前后交换而偏离预期值.
• 精确的质量转移校正对于先进的HDX-MS数据处理和解释至关重要.

研究的目的:

• 展示深度神经网络在HDX-MS数据自动校正方面的潜力.
• 评估人工智能模型在改善各种分析层次的数据保真性方面的表现.
• 评估人工智能纠正的HDX-MS数据对蛋白质结构建模的有用性.

主要方法:

• 开发和应用一个多层感知子 (MLP) 模型.
• 训练MLP学习未经纠正和纠正的HDX-MS质量转移之间的映射.
• 在,残留物和蛋白质折叠水平上对模型进行严格测试.

主要成果:

• 人工智能模型成功地学会了纠正由交换引起的质量转移.
• 修正后的数据提高了计算保护因子和识别蛋白质折叠的准确性.
• 该方法显示了提高HDX-MS数据保真性的巨大潜力.

结论:

• 深度神经网络为自动HDX-MS数据校正提供了一个强大的工具.
• 由人工智能驱动的校正提高了HDX-MS的可靠性,用于包括蛋白质建模在内的高级应用.
• 未来的在线工具可以预测被纠正的质量转移,提高工作流的效率,并使追溯数据分析成为可能.