评分信息与统计质量控制的整合增强了数据独立获取蛋白质组学数据的交叉运行分析
Mingxuan Gao1,2,3,4, Shubham Gupta1,2,5, Wenxian Yang6
1Terrence Donnelly Centre for Cellular & Biomolecular Research, University of Toronto, Toronto, Canada.
Communications chemistry
|November 20, 2025
概括
DreamDIAlignR通过整合跨运行的化行为来改善数据独立获取 (DIA) 蛋白质组. 这种深度学习工具提高了蛋白质量化的一致性和准确性,超过了现有的方法.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 质谱测量质量谱测量
- 生物信息学是一种生物信息学.
背景情况:
- 数据独立获取 (DIA) 蛋白质组学使用以为中心的策略进行MS2光谱分析.
- 当前的DIA工具经常使用单次运行的数据,导致数据集之间不一致的量化.
- 现有的匹配之间运行 (MBR) 算法缺乏统计控制,导致假阳性和减少可重现性.
研究的目的:
- 为 DIA 蛋白质组学开发一种新的交叉运行中心工具.
- 为了增强峰识别和对齐在多个运行.
- 为了提高DIA分析的定量一致性和可重复性.
主要方法:
- 介绍了DreamDIAlignR,这是一个整合跨运行化行为的工具.
- 采用深度学习模型用于峰识别和对齐.
- 实施了FDR控制的评分,用于高峰质量评估.
主要成果:
- 在一个基准数据集中,DreamDIAlignR发现了21.2%更多的变化蛋白.
- 与最先进的MBR方法相比,在癌症数据集中实现了36.6%的蛋白质识别增加.
- 证明了提高了定量准确性和可重复性.
结论:
- 梦想DIAlignR为DIA蛋白质组学提供了一个强大的和统计学上健全的MBR方法.
- 该工具提高了整体DIA分析质量和蛋白质定量.
- DreamDIAlignR与现有的DIA分析工作流程兼容.
