使用自主监督的深度学习计算基于质谱的无标签定量蛋白质组学数据的归算.
Henry Webel1,2, Lili Niu1, Annelaura Bach Nielsen1
1Novo Nordisk Foundation Center for Protein Research, Faculty of Health and Medical Sciences, University of Copenhagen, Copenhagen N, Denmark.
Nature communications
|June 26, 2024
概括
像PIMMS-VAE这样的深度学习归算方法通过恢复丢失的数据来增强质谱蛋白质组学分析. 这种方法在与酒精有关的肝病中发现了更重要的蛋白质,有助于预测疾病进展.
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.
- 机器学习 机器学习
背景情况:
- 使用无标签量化 (LFQ) 的基于质谱 (MS) 的蛋白质组学严重依赖归算技术来处理缺失的测量.
- 缺少数据是大规模蛋白质组学数据集中的一个常见挑战,可能会掩盖生物学上相关的发现.
研究的目的:
- 评估深度学习方法,包括协作过,denoising 自动编码器和变异自动编码器,用于归纳 LFQ 蛋白质组学数据中的缺失值.
- 应用和验证一种新的方法,即蛋白质学推算建模质谱法 (PIMMS),对现实世界酒精相关肝病 (ALD) 队列.
主要方法:
- 在 LFQ 蛋白质组学中实现协作过,denoising 自动编码器 (DAE) 和变异自动编码器 (VAE) 用于缺失值赋值.
- 应用PIMMS方法,特别是PIMMS-VAE,对来自358名ALD患者的血蛋白质组学数据集的应用.
- 通过删除20%的强度值和评估显著蛋白质组的恢复来系统地评估归算性能.
主要成果:
- 在删除20%的数据时,PIMMS-VAE归算成功恢复了17个显著丰富蛋白质组中的15个.
- 分析了完整的数据集与归算确定了30个额外的显著差异丰富的蛋白质相比没有归算.
- 在机器学习模型中,被假设的蛋白质被发现可以预测ALD的进展,这突显了它们的临床相关性.
结论:
- 基于深度学习的归算方法,如PIMMS-VAE,对于处理基于MS的大规模蛋白质组学中缺失的数据是有效的.
- 拟议的归算策略可以显著增加已识别的差异丰富的蛋白质的数量,并改善来自蛋白质组学研究的生物见解.
- 该研究建议采用深度学习方法来计算基于MS的蛋白质组学,特别是对于较大的数据集,并提供可访问的工作流.
更多相关视频
10:36High Resolution Quantitative Synaptic Proteome Profiling of Mouse Brain Regions After Auditory Discrimination Learning
Published on: December 15, 2016
10.6K
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.5K
