估计单分子蛋白质测序实验的错误率

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 分析化学 分析化学

背景情况:

• 单分子蛋白质测序 (SMPS) 技术正在出现,但它们的实际使用取决于准确的错误率估计.
• 测序是一种SMPS,产生数据需要专门的分析方法来解释固有的错误.
• 现有的方法可能无法完全捕捉SMPS错误配置文件的复杂性.

研究的目的:

• 开发和评估新型参数估计方法,用于分析单分子蛋白序列 (SMPS) 数据.
• 准确量化与SMPS相关的错误率,包括错过的裂纹,染料损失,脱离和N端阻塞.
• 将基于隐藏马尔科夫模型 (HMM) 的方法与混合优化方法 (DIRECT和威尔的) 的性能进行比较.

主要方法:

• 开发一种隐藏马尔科夫模型 (HMM) 方法,扩展"whatprot",使用修改的姆-韦尔奇算法进行参数估计.
• 实施了第二种方法,结合DIRECT和威尔的优化技术,在模拟和真实SMPS数据之间最大限度地降低根平均平方误差 (RMSE).
• 使用模拟数据集和实验测序数据验证这两种方法,包括对受控实验扰动进行比较.

主要成果:

• 基于HMM的方法在模拟数据上表现出高准确性,并在纳入N终端封锁和预处理后为实验数据集提供了合理的参数化.
• 混合DIRECT和威尔的方法是为了减少模拟和实验数据之间的RMSE而开发的.
• 对比显示,基于姆-韦尔奇的HMM方法在大多数标准中表现优于混合方法,尽管两者对实验SMPS数据的错误率估计都相似.

结论:

• 开发的基于HMM的参数估计方法提供了一种原则性的方法来分析测序数据并估计关键误差参数.
• 评估的两种方法都为SMPS错误率提供了有价值的见解,HMM方法在大多数方面都表现出卓越的性能.
• 准确的错误率估计对于推进单分子蛋白质测序技术的实际应用和可靠性至关重要.