深度学习提高了人体和植物组织蛋白质体中素化识别的精度
Wassim Gabriel1, Rebecca Meelker González2, Sophia Laposchan2
1Computational Mass Spectrometry, School of Life Sciences, Technical University of Munich, Freising, Germany.
Molecular & cellular proteomics : MCP
|February 8, 2025
概括
这项研究引入了一种新的深度学习管道,Prosit-Cit,用于在大规模蛋白质组学研究中准确识别蛋白质素化部位. 该方法显著提高了灵敏度和精度,使得更广泛的生物发现成为可能.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 翻译后修改 翻译后修改
- 生物信息学是一种生物信息学.
背景情况:
- 素化是一种对生物过程至关重要的转化后修饰 (PTM),但仍未得到充分研究.
- 质谱学由于错误阳性和有限的丰富工具等挑战,难以准确地识别素化部位.
研究的目的:
- 开发一种新的数据分析管道,用于敏感和精确的蛋白质组范围识别素化位点.
- 克服目前基于质谱学的研究素化方法的局限性.
主要方法:
- 将深度学习模型Prosit-Cit集成到质谱 (MS) 数据库搜索工作流中.
- 普罗西特-Cit在合成素上进行训练,以预测保留时间和碎片离子强度.
- 该管道应用于人体组织蛋白质和植物Arabidopsis thaliana.
主要成果:
- 该管道表现出高精度,在人类组织中恢复了大多数已知的素化部位.
- 在识别素含有素的部位时,灵敏度提高了14倍.
- 在Arabidopsis thaliana中确定了大约200个素化位点,标志着植物中第一次大规模绘制地图.
结论:
- 开发的管道显著提高了素化部位识别的准确性和吞吐量.
- 这种强大的工具有助于更深入地了解蛋白质化在健康,疾病和各种物种中的作用.
- 能够无地应用于现有的蛋白质组学数据,以加速生物发现.
