应用深度学习模型来预测液体染色学 食品的保留时间跨染色学条件的应用

科学领域:

• 生物化学和分析化学的研究.
• 计算生物学和生物信息学

背景情况:

• 质谱学 (MS) 光谱信息本身往往不足以可靠地识别,特别是对于较小的,来自食物的.
• 由于它们的结构多样性,现有的蛋白质组学保持时间数据集和预测模型对食品衍生的适用性有限.

研究的目的:

• 通过改善保留时间预测,开发一种可靠的鉴定方法,用于食品分析.
• 通过转移学习,将现有的深度学习模型适应保留时间预测到食品衍生的专业领域.

主要方法:

• 通过微调通用深度学习模型,应用转移学习方法,最初在大型蛋白质组学数据集上进行训练,使用商业类标准的实验数据.
• 使用易于实施的再培训策略来减少数据需求和培训时间,而不是从头开始构建模型.
• 在各种染色学条件下验证了在酵母和植物蛋白质化物上重新训练的模型.

主要成果:

• 重新训练的模型表现出强大的预测性能,Q²>> 0.98.
• 对于酵母蛋白水解剂验证集的95%的保留时间预测在±1.0分钟窗口内.
• 该方法显示了多功能性和适用于植物蛋白质水解剂中的多种类型的,包括三性和非三性.

结论:

• 转移学习为食品研究中快速可靠的分析提供了一种高效和可适应的工具.
• 这种方法可以有效地利用广泛的蛋白质组学数据库进行专门的食品分析.
• 这种微调的模型提供了强大而实用的鉴定,提高了食品科学中LC-MS分析的可靠性.