ROASMI:通过重新利用保留数据来加速小分子识别
Fang-Yuan Sun1, Ying-Hao Yin1,2, Hui-Jun Liu1
1State Key Laboratory of Natural Medicines, Department of Chinese Medicines Analysis, School of Traditional Chinese Pharmacy, China Pharmaceutical University, No. 24 Tongjia Lane, Nanjing, 210009, China.
Journal of cheminformatics
|February 14, 2025
概括
通过可靠地预测保留顺序,ROASMI模型增强了在非目标代谢学中的小分子识别. 这种方法提高了数据的可复制性,并有助于区分异构体和注释未知的化合物.
科学领域:
- 分析化学 分析化学
- 代谢学 代谢学 代谢学
- 计算化学的计算化学
背景情况:
- 在非目标代谢学中,保留数据的有限可复制性阻碍了小分子的识别.
- 现有的保留订单模型缺乏通用性和预测可靠性.
研究的目的:
- 介绍ROASMI模型,以可靠地预测逆相液态染色学 (RPLC) 中的保留顺序.
- 通过增强数据可重复性来改善非目标代谢学中的小分子识别.
主要方法:
- 将数据驱动的分子表示与机械洞察结合起来,开发 ROASMI 模型.
- 在71个独立的RPLC数据集中验证ROASMI的概括性.
- 将ROASMI应用于现实世界的数据集,用于异构体差异化和峰值注释.
主要成果:
- 罗阿斯米在各种RPLC数据集中证明了可通用性.
- 该模型有效地区分了具有相似碎片化模式的共存异构体.
- ROASMI有助于注释缺乏信息频谱的检测峰值.
结论:
- 罗阿斯米能够可靠地预测保留顺序,解决了代谢学中的关键局限性.
- 该模型的灵活性允许重新训练和与其他MS/MS得分器相兼容,以改进小分子识别.
更多相关视频
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
12.3K
12:11Simultaneous Affinity Enrichment of Two Post-Translational Modifications for Quantification and Site Localization
Published on: February 27, 2020
6.8K
