通过机器学习生成的海洋光谱库的验证和社区共享,用于独立获取数据 海洋元蛋白质分析

科学领域:

• 海洋生物学 海洋生物学
• 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.

背景情况:

• 海洋元蛋白组学揭示了微生物社区的结构和功能.
• 由于高生物多样性和的巨大动态范围,海洋样本存在挑战.
• 数据依赖获取 (DDA) 方法与海洋元蛋白质样本的复杂性作斗争.

研究的目的:

• 评估数据独立获取 (DIA) 的能力,以进行海洋元蛋白质组分析.
• 评估光谱库大小和组成对鉴定的影响.
• 在复杂的海洋环境中比较DIA性能与DDA方法.

主要方法:

• 海洋形态保护学DIA模式的表征.
• 使用机器学习 (ML) 构建光谱库以过假阳性.
• 与 1D 和 2D DDA 的 DIA 的比较,有和没有气相分化.
• 评估不同大小和来源的光谱库,包括海洋蛋白门户 (OPP) 和元基因组开放阅读框架 (ORF).

主要成果:

• 在海洋元蛋白原子分析中,DIA的表现优于DDA的方法.
• 较大的光谱图书馆始终改善了的识别,无论样品的地理来源.
• 与较小的,针对特定活动的图书馆相比,OPP光谱图书馆表现优越.
• 一个元基因组中所有ORF的极大图书馆是不可操作的,阻碍了错误发现率控制.

结论:

• DIA是一个强大的方法,用于海洋的metaproteomics.
• 优化的光谱库对于准确和高效的标识至关重要.
• 以前生成的光谱库可以作为有价值的社区资源,减少未来蛋白质组学研究中的冗余努力.