ProPickML:通过自动化峰值选择在无标签的向蛋白质组中推进临床诊断
Elloise Coyle1, Mickaël Leclercq1, Clarisse Gotti2
1Computational Biology Laboratory, Centre de recherche du CHU de Québec, Université Laval, Québec City, Québec G1V 4G2, Canada.
Journal of proteome research
|December 7, 2024
概括
一个新的机器学习工具ProPickML准确地识别了针对性蛋白质组学 (SRM) 中的峰. 这种方法提高了准确性,并减少了对复杂生物样品的同位素标签的依赖.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 使用选择反应监测 (SRM) 的向蛋白质组在复杂的染色体噪声和干扰中准确检测特定方面面临挑战.
- 目前的方法,如同位素标记和评分算法,耗时且产生高错误发现率,限制了它们的效率.
研究的目的:
- 开发和验证ProPickML,一个新的机器学习工具,用于在多种向蛋白质组学数据集中准确识别峰.
- 克服现有方法的局限性,提供强大的和高效的检测解决方案,独立于先前的存在假设.
主要方法:
- 开发ProPickML,一个机器学习模型,在手动标记的数据集上进行训练,用于峰识别.
- 在独立测试数据集上验证模型的预测准确性.
- 在R中实现ProPickML,以便在SRM工作流程中实际应用.
主要成果:
- 即使在杂的染色体图中,ProPickML也证明了可靠的峰识别.
- 该模型在一个独立的测试组中实现了0.81的Matthews相关系数 (MCC),超过了mProphet的0.71.
- 该工具为现有技术提供了具有成本效益和竞争力的替代方案.
结论:
- 在SRM工作流程中,ProPickML显著提高了标识的准确性.
- 机器学习方法减少了对同位素标记的需求,简化了目标蛋白质组学.
- ProPickML为蛋白质组学和相关领域的研究人员提供了一个有价值,高效和准确的工具.
