PIPI-C:一种组合优化框架,用于在质谱数据中识别翻译后修改热点
Shengzhi Lai1, Shuaijian Dai2, Peize Zhao3
1Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology, Hong Kong, China.
Molecular & cellular proteomics : MCP
|December 24, 2025
概括
识别具有多个翻译后修饰 (PTM) 的对于理解癌症至关重要. 一个新的工具,PIPI-C,使用组合模型有效地检测复杂的PTM交叉声,揭示疾病特异性模式.
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
- 癌症研究 癌症研究
背景情况:
- 翻译后修饰 (PTMs) 调节细胞功能,它们的交叉通话与癌症等疾病有关.
- 识别具有多个PTM的是必不可少的,但由于组合的复杂性,在计算上具有挑战性.
研究的目的:
- 引入PIPI-C,这是一款新的搜索引擎,旨在克服检测复杂PTM组合的局限性.
- 为分析疾病中的PTM模式提供一个强大的数学框架.
主要方法:
- 开发了PIPI-C,一种使用混合整数线性编程 (MILP) 模型的PTM-不变鉴定工具.
- 在各种数据集中验证了PIPI-C并将其应用于超过7200万个来自人类癌症的质谱 (LSCC,COAD,GBM).
主要成果:
- 与现有方法相比,PIPI-C在检测PTM组合方面表现优异.
- 对癌症质谱的分析揭示了PTM组合的显著上调,LSCC中50%的上调模式显示至少有两个PTM.
- 确定了特定的PTM交叉,包括用三黄素替代的二甲基化和用プロ林替代氨酸的胺基化.
结论:
- PIPI-C有效地解码复杂的PTM模式,促进了对癌症中PTM驱动的细胞过程的理解.
- 该工具的应用强调了它在发现与癌症相关的PTM组合景观和交叉关系方面的实用性.
更多相关视频
12:11Simultaneous Affinity Enrichment of Two Post-Translational Modifications for Quantification and Site Localization
Published on: February 27, 2020
7.2K
09:10A Fast and Quantitative Method for Post-translational Modification and Variant Enabled Mapping of Peptides to Genomes
Published on: May 22, 2018
9.9K
