AIRPred:深度学习模型预测强度比在交叉连接质谱学中改善了交叉连接频谱匹配
Zehong Zhang1,2, Mei Wu1, Max Ruwolt1
1Leibniz-Forschungsinstitut für Molekulare Pharmakologie (FMP), Berlin 13125, Germany.
Analytical chemistry
|August 27, 2025
概括
通过分析碎片离子强度比,AIRPred是一种深度学习模型,可以改善结构蛋白质学中的交叉连接频谱匹配识别. 这种方法提高了交联质谱 (XL-MS) 分析的准确性.
科学领域:
- 蛋白质组学
- 结构生物学
- 生物信息学
背景情况:
- 交联质谱 (XL-MS) 对于了解蛋白质结构和动态至关重要.
- 目前用于评分交联频谱匹配 (CSM) 的方法经常忽略碎片离子强度,导致错误阳性.
研究的目的:
- 开发一个深度学习模型,AIRPred,用于XL-MS的增强CSM识别.
- 利用碎片离子强度比率来更准确地区分真假CSM.
主要方法:
- AIRPred使用卷积神经网络 (CNN) 块来分析碎模式.
- 将注意层纳入交联之间的相互作用模型.
- 该模型预测交叉连接对之间的强度比.
主要成果:
- 碎片离子强度比在实验中是一致的,并且有效地区分真实CSM和假阳性.
- 在外部验证过程中,AIRPred在预测强度比率方面表现出很高的准确性.
- 该模型显著提高了XL-MS分析中的鉴定精度.
结论:
- 通过结合碎片离子强度信息,AIRPred提供了XL-MS数据分析的新方法.
- 这种深度学习模型提高了CSM识别的可靠性和准确性.
- 它代表了结构蛋白质组学研究的重大进步.


