用深度模型对癌症蛋白质组学数据进行推算,该模型从许多数据集中学习

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.
• 计算生物学 计算生物学

背景情况:

• 缺失值是质谱蛋白质组学中的一个重大挑战.
• 这些缺失的数据点阻碍了可重现性,减少了差异表达分析的统计能力,并使研究低丰度蛋白质的研究复杂化.

研究的目的:

• 介绍Lupine,这是一种基于深度学习的新方法,用于在协同质量标签 (TMT) 蛋白质组学数据中赋值缺失的值.
• 为了证明Lupine能够同时从多个数据集中学习,以提高归算准确度.

主要方法:

• 卢平利用了一种深度学习架构,旨在跨不同数据集进行联合学习.
• 该方法在来自临床蛋白质组瘤图谱联盟 (CPTAC) 的大型TMT蛋白质组数据集 (>1,000名癌症患者样本) 上得到了验证.

主要成果:

• 卢皮因显著优于现有的最先进的TMT数据归算方法.
• 与其他方法相比,该方法成功识别了更多的差异表达蛋白质.
• 卢平有效地纠正TMT批量效应,并学习蛋白质和患者样本的信息表示.

结论:

• 卢平为解决TMT蛋白质组学中缺失值提供了强大而准确的解决方案.
• 它利用多数据集学习的能力提高了蛋白质组学研究的可靠性和范围.
• 卢平可以作为开源的Python包,促进可访问性和进一步的研究.