导航质谱迷宫:一本机器学习指南,用于识别O-糖分析中的诊断离子
James Urban1,2, Roman Joeres1,2,3,4, Luc Thomès5
1Department of Chemistry and Molecular Biology, University of Gothenburg, Gothenburg, Sweden.
Analytical and bioanalytical chemistry
|August 24, 2024
概括
本研究引入了一种机器学习方法,用于识别可靠的诊断碎片,以使用质谱测量来区分寡糖化物 (甘氨酸) 异构体. 这种方法提高了研究人员对糖甘分析的准确性和一致性.
科学领域:
- 生物化学 生物化学
- 分析化学 分析化学
- 计算生物学 计算生物学
背景情况:
- 寡糖 (甘油) 具有重要的生物功能.
- 双重质谱 (MS/MS) 对于阐明甘氨酸结构至关重要.
- 目前使用MS/MS区分糖甘异构体的方法依赖于诊断碎片,这些碎片往往缺乏明确的有效性和概括性,导致注释不一致.
研究的目的:
- 开发一种强大的和可通用的方法来识别诊断型糖甘碎片.
- 为了提高甘同位素注释的准确性和透明度.
- 创建一个标准化资源用于糖甘分析.
主要方法:
- 策划了237,000个O-glycomics质谱学光谱的数据集.
- 开发了一个基于规则的机器学习工作流程,以发现可量化的有效和可概括的诊断片段.
- 生成的碎片化规则,用于在负离子模式下区分常见的O-甘氨酸异构体.
主要成果:
- 确定了一套有效和可概括的O-甘氨酸同位素诊断片段的全面集合.
- 建立了碎片化规则,使常见的O-甘氨酸异构体能够进行强有力的歧视.
- 证明了在糖分析中减少注释异质性的潜力.
结论:
- 开发的机器学习工作流提供了一种可靠的方法来识别诊断糖甘片段.
- 预计这项资源将提高甘氨酸注释的准确性和一致性.
- 这些发现将有助于在不同研究人员和研究中进行更加透明和均的甘氨酸分析.
更多相关视频
10:59Glycomics-Guided Glycoproteomics Facilitates Comprehensive Profiling of the Glycoproteome in Complex Tumor Microenvironments
Published on: February 7, 2025
943
13:06Improved In-gel Reductive β-Elimination for Comprehensive O-linked and Sulfo-glycomics by Mass Spectrometry
Published on: November 20, 2014
11.8K
