基于深度学习的碎片化强度概况预测器的系统评估
Mehdi B Hamaneh1, Aleksey Y Ogurtsov1, Oleg I Obolensky1
1National Center for Biotechnology Information, National Library of Medicine, National Institutes of Health, Bethesda, Maryland 20894, United States.
Journal of proteome research
|May 10, 2024
概括
这项研究比较了六种深度学习方法,用于预测片段强度. 普罗西特变压器和pDeep3在各种质谱数据中显示出卓越的准确性,有助于方法选择.
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:
- 深度学习方法越来越多地用于在质谱学中预测片段强度.
- 准确预测这些强度对于的识别和量化至关重要.
- 已经开发了几种深度学习模型,但需要进行系统的比较.
研究的目的:
- 综合评估和比较六种突出的基于深度学习的片强度预测方法的性能.
- 为了评估大质谱谱谱的大量和多样化的数据集的预测准确性和速度.
- 为特定的实验条件确定最有效的方法,并为未来的研究提供信息.
主要方法:
- 评估了六种深度学习方法:Prosit,DeepMass:Prism,pDeep3,AlphaPeptDeep,Prosit Transformer,以及Guan等等. 这是他的方法.
- 利用了来自PRIDE存储库的约1700万个前体和1800万个实验光谱的数据集.
- 使用皮尔森相关性和对实验b和y片段强度的正常化角度评估预测准确性.
主要成果:
- 在各种实验条件下,Prosit Transformer和pDeep3表现出卓越的预测准确度.
- 预测准确度受到前体电荷,长度和碰撞能量的影响.
- 各种方法的性能因具体的质谱数据特征而异.
结论:
- 该研究为基于深度学习的片强度预测工具提供了系统的基准.
- 推Prosit变压器和pDeep3用于高精度的MS/MS光谱预测.
- 这种比较分析有助于研究人员为他们的特定蛋白质组研究选择合适的预测方法.
