树林:半监督机器学习 集成多个搜索引擎用于标识
Tristan Ranff1,2,3, Matthew Dennison4, Jeroen Bédorf4
1Institute of Pharmacy and Molecular Biotechnology, Heidelberg University, 69120 Heidelberg, Germany.
Journal of proteome research
|January 22, 2025
概括
树林是一种新的机器学习工具,它结合了多个算法,以获得更好的蛋白质组学中的谱匹配. 这种方法可以提高的识别,同时保持高质量的量化结果.
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:
- 自下而上的蛋白质组学依赖于精确的谱匹配 (PSM).
- 现有的算法具有不同的优缺点,对用户构成挑战.
- 需要采用综合方法来提高PSM的准确性和可靠性.
研究的目的:
- 介绍PeptideForest,这是一个半监督的机器学习方法,用于集成多个PSM算法.
- 为了增强高质量的与光谱匹配的数量.
- 通过TMT量化验证频谱分配的质量.
主要方法:
- 开发了PeptideForest,这是一个随机的森林分类器,其训练来自多个算法的任务.
- 在Ursgal管道框架中集成PeptideForest.
- 利用具有已知的基本真相的样本的TMT量化来评估光谱分配质量.
主要成果:
- 与MS-GF+相比,PeptideForest增加了25.2±1.6%的q值<1%的对光谱匹配,与MS-GF+相比.
- 通过TMT量化验证,PSM数量的提高并没有影响频谱分配质量.
- 证明PeptideForest可以更深入地了解自下而上的蛋白质组学数据.
结论:
- 树有效地集成多个算法,以改善谱匹配在自下而上的蛋白质组学.
- 该方法提高了的识别,而不会牺牲量化准确性.
- 树提供了一个有价值的工具,以获得更深入的洞察力蛋白质组学研究.


