通过修改的预期最大化算法,在基于质谱的元蛋白学中跨分类学水平的生物功能赋值

科学领域:

• 微生物学 微生物学
• 生物信息学是一种生物信息学.
• 蛋白质组学是指蛋白质组学.

背景情况:

• 基于质谱的元蛋白质组学在准确识别微生物功能方面面临挑战,原因是共享的可靠识别的质问题.
• 当前的工具经常使用最小共同祖先 (LCA) 算法,导致不完整的分类学和功能赋值.

研究的目的:

• 加强MiCId工作流程,以改善微生物识别和生物功能的量化.
• 解决现有的元蛋白组学工具在处理共享和分类谱系方面的局限性.

主要方法:

• 在MiCId工作流中实现预期最大化 (EM) 算法.
• 整合生物功能数据库以进行增强分析.
• 使用合成数据集的验证和对人类微生物组数据集的重新分析.

主要成果:

• 与Unipept和MetaGOmics相比,增强的MiCId工作流显示出对错误发现的更好控制,以及微生物识别和生物质估计的更高准确性.
• 更新后的MiCId显示,对生物功能识别的准确性和错误发现控制能力有所提高,与Unipept.
• 在整个分类谱系中实现了函数丰度的可靠计算.

结论:

• 增强的MiCId工作流提供了一个更准确,更可靠的方法进行元蛋白质组分析,特别是复杂的微生物群落.
• 这种方法克服了基于LCA的方法的局限性,使得在整个分类学范围内获得全面的功能洞察力.
• 这些发现与之前的分析一致,验证了增强的MiCId工作流在真实世界微生物组研究中的实用性.