一种基于机器学习的协奏质谱相似性预测评估方法
Michael Strobel1, Alberto Gil-de-la-Fuente2, Mohammad Reza Zare Shahneh1
1Department of Computer Science and Engineering, University of California Riverside, 900 University Ave., Riverside, CA, 92521, USA.
本研究介绍了一种标准化的基准,用于评估机器学习模型在并联质谱 (MS/MS) 频谱相似性. 新的方法确保了可靠的模型通用性,并促进了用于小分子分析的不同机器学习方法的比较.
科学领域:
- 分析化学 分析化学
- 计算化学计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 非定位的双重质谱 (MS/MS) 对于小分子分析和组织至关重要.
- 分子网络可视化结构相关的化合物,但依赖于MS/MS光谱比较,这是一个关键的瓶.
- 机器学习 (ML) 在预测MS/MS结构相似性方面表现有前途,但缺乏标准化的评估方法,并解决了数据泄漏问题.
研究的目的:
- 开发一种标准化的方法来评估MS/MS光谱相似性的ML模型.
- 创建一个强大的培训和评估框架,反映现实世界的应用.
- 评估MS特定见解对ML模型性能和通用性的影响.
主要方法:
- 引入了一种新的评估方法,该方法具有火车/测试分割,允许变量结构相似性.
- 开发了一个测量预测准确度的框架,使用受领域启发的注释和检索指标.
- 研究了MS特定培训见解 (仪器,碰撞能量,引力) 对性能的影响.
主要成果:
- 证明了在不同程度的结构相似性下评估ML模型的能力.
- 展示了受领域启发的指标的有效性,用于实际的绩效反思.
- 突出了碰撞能量在预测错误中的重要作用,并证实了度数直角性.
结论:
- 开发的基准为未来的ML开发提供了MS/MS相似性的基础.
- 促进MS/MS数据的不同ML模型之间的标准化比较.
- 拟议的评估指标提供了一个更现实的反映在小分子分析的实际表现.
更多相关视频
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
09:40A Mass Spectrometry-Based Proteomics Approach for Global and High-Confidence Protein R-Methylation Analysis
Published on: April 28, 2022
相关概念视频
Peptide Identification Using Tandem Mass Spectrometry
This technique helps gather information regarding the protein from which the peptide was obtained and to study the peptides’ amino acid sequence. Identifying peptides from a complex mixture is an important component of the growing field of...
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
Mass Spectrometry: Overview
High-Resolution Mass Spectrometry (HRMS)
Mass Spectrometers
Mass Analyzers: Overview
