深度学习框架用于治疗蛋白质完整水平的峰值检测
Saxena Nikita1, Sanghati Bhattacharya1, Kriti Manocha1
1Department of Chemical Engineering, Indian Institute of Technology, Delhi, India.
Journal of separation science
|May 31, 2024
概括
使用卷积神经网络 (CNN) 的深度学习模型改善了在液体染色体质谱学中检测单克隆抗体异型变异的检测. 这种先进的峰值识别方法比生物制药分析的传统技术提供了更高的准确性.
科学领域:
- 生物制药学分析
- 分析化学 分析化学
- 计算生物学 计算生物学
背景情况:
- 在液态染色体质谱法 (LC-MS) 中自动化峰值检测通常需要手动调整以获得最佳的真正阳性率.
- 在完整水平上区分单克隆抗体 (mAbs) 的异型变体 (glycoforms) 对于质量控制至关重要.
- 现有的方法难以全面,准确地识别所有可见的峰值.
研究的目的:
- 开发和评估一种深度学习方法,以准确识别完整的单克隆抗体异种变体的峰值.
- 将卷积神经网络 (CNN) 模型的性能与传统方法 (如部分最小平方差异分析 (PLS-DA) 和局部加权回归 (LWR)) 进行比较.
主要方法:
- 使用液态染色体质谱法 (LC-MS) 分析单克隆抗体异种变异的完整水平分析.
- 开发和应用深度学习模型,特别是卷积神经网络 (CNN),用于全面识别峰值.
- 使用 CNN,PLS-DA 和 LWR 的接收器运行特征曲线的曲线下面面积 (AUC) 的比较性能分析.
主要成果:
- 美国有线电视新闻网 (CNN) 模型发现了七个峰值,超过了使用0.5值检测到仅有五个峰值的传统软件.
- 在CNN模型中,高概率的曲线下面面积 (AUC) 为0.9949.9.
- CNN的性能明显超过了PLS-DA (AUC为0.8041) 和LWR (AUC为0.6885),在峰值检测方面表现出卓越的准确性.
结论:
- 深度学习,特别是CNN,为在LC-MS分析中识别单克隆抗体异种变体提供了强大而准确的解决方案.
- 在传统的峰值检测和化学测量方法中,CNN模型提供了显著的进步,增强了生物制药特征.
- 这种方法最大限度地减少了手工检查的需要,提高了分析复杂蛋白质混合物的效率和可靠性.
