Disc-Hub:一个python包,用于在DIA-MS识别中对机器学习策略进行基准测试.
Yiwen Yu1, Xiaohui Wu1, Jian Song1
1Cancer Institute, Suzhou Medical College, Soochow University, Jiangsu 215123, China.
Bioinformatics advances
|November 12, 2025
概括
机器学习对于分析数据独立采集 (DIA) 质谱学至关重要. 具有多层感知器的K折训练策略在DIA分析中最能平衡鉴定深度和错误发现率 (FDR) 控制.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 计算生物学 计算生物学
- 质谱测量质量谱测量
背景情况:
- 对数据独立获取 (DIA) 质谱数据的准确分析需要机器学习来区分目标和诱.
- 不同的DIA识别引擎使用不同的二进制分类器和训练工作流程来完成这个任务.
- 缺乏对机器学习策略对识别性能影响的系统比较,会阻碍最佳策略的选择,并可能导致装配不足或过度装配,损害了错误发现率 (FDR) 的控制.
研究的目的:
- 系统地比较不同的机器学习策略用于DIA质谱数据分析.
- 确定训练策略和分类器的最佳组合,以实现可靠的鉴定和FDR控制.
- 为研究人员提供一个资源,为DIA识别算法选择合适的机器学习配置.
主要方法:
- 三种不同的培训策略和四种不同的分类器的对比评估.
- 对代表性 DIA 数据集进行的评估.
- 利用K折训练与多层感知子相结合,作为一种关键的机器学习方法.
主要成果:
- 结合K折训练和多层感知器的组合显示出最佳性能.
- 这种最佳策略在鉴定深度和有效的FDR控制之间实现了卓越的平衡.
- 该研究确定了增强DIA数据分析的特定机器学习配置.
结论:
- 对DIA质谱学的最佳机器学习策略包括使用多层感知器进行K折训练.
- 这种方法显著改善了识别深度和FDR控制之间的平衡.
- 这些发现引导开发更有效的DIA识别算法和可靠的FDR控制机制.


