科伊纳:为蛋白质组学研究实现机器学习的民主化
Ludwig Lautenbacher1,2, Kevin L Yang3, Tobias Kockmann4
1Computational Mass Spectrometry, Technical University of Munich (TUM), Freising, Germany.
Nature communications
|November 11, 2025
概括
我们介绍Koina,一个用于蛋白质学中的机器学习 (ML) 模型的开源存储库. 科伊纳提高了模型的可访问性和集成到数据分析管道中,加速了 ML 在现场采用.
科学领域:
- 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.
- 计算生物学 计算生物学
背景情况:
- 机器学习 (ML) 和深度学习显示出蛋白质组学应用的前景,例如光谱图书馆生成和鉴定.
- 蛋白质组学中新型ML模型的缓慢采用受阻于难以找到,可访问性和整合性挑战.
- 现有的蛋白质组学软件往往缺乏用于整合新型ML模型的直接方法.
研究的目的:
- 介绍Koina,一个开源的,分散的,在线可访问的蛋白质组学ML模型库.
- 在蛋白质组学社区中促进ML模型的发布,发现和可用性.
- 为了证明ML模型的无集成到现有的蛋白质组学数据分析工作流中.
主要方法:
- 开发Koina,一个开源的,分散的,在线可访问的ML模型库平台.
- 实现一个易于使用的在线界面来访问和使用ML模型.
- 将Koina与用于蛋白质组学数据分析的FragPipe计算平台进行集成.
主要成果:
- 科伊纳为蛋白质组学中的ML模型可查和可访问性提供了一个集中的解决方案.
- 该平台可以将ML模型直接集成到已建立的数据分析管道中.
- 与FragPipe成功集成,展示了改进的蛋白质组学数据分析能力.
结论:
- 科伊纳显著降低了在蛋白质组学研究中采用ML模型的障碍.
- 该存储库促进了最终用户对ML模型的可复制性和可重复使用性.
- 科伊纳代表了计算蛋白质组学的关键进步,使得ML的更广泛应用成为可能.
