在metaproteomics中使用生物质受限期望-最大化方法进行分类学级蛋白质量化
Gelio Alves1, Mehdi B Hamaneh1, Aleksey Y Ogurtsov1
1Division of Intramural Research, National Library of Medicine, National Institutes of Health, Bethesda, Maryland 20894, United States.
Journal of the American Society for Mass Spectrometry
|January 15, 2026
概括
这项研究引入了一种用于metaproteomics的增强算法,通过解决共享问题来改善微生物蛋白质的量化. 该方法准确地代表了复杂微生物群落中的分类学级蛋白质体.
科学领域:
- 微生物学 微生物学
- 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.
背景情况:
- 微生物群落对于生态系统功能和人类健康至关重要.
- 甲型蛋白质组学可以直接识别和量化微生物蛋白质.
- 共享质问题使得在元蛋白质组学中精确的分类-蛋白质定量化变得复杂.
研究的目的:
- 通过改善分类-蛋白质量化来增强微生物分类和识别 (MiCId) 工作流程.
- 为了解决基于质谱的元蛋白质组学的共享问题.
- 为了能够更准确地表示分类学层次的蛋白质组.
主要方法:
- 扩展了一个修改后的预期最大化算法,用分类学生物质约束.
- 使用聚类识别对进行量化分类-蛋白质对.
- 使用合成和临床人类便微生物组数据集评估性能.
主要成果:
- 简单合成数据集的折叠变化与预期值非常接近.
- 该算法准确地重新分配了24个物种数据集中的共享的分类-蛋白质对之间的数.
- 在临床便微生物组数据集中,MiCId显示了准确和一致的结果,与之前的发现一致.
结论:
- 改进的MiCId算法在复杂的微生物群落中稳定量化分类-蛋白质对.
- 解决共享问题推动了微生物组研究中的metaproteomics的应用.
- 该方法可以准确地表示分类学级蛋白质组.
更多相关视频
11:44Metabolic Labeling and Membrane Fractionation for Comparative Proteomic Analysis of Arabidopsis thaliana Suspension Cell Cultures
Published on: September 28, 2013
14.7K
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
12.6K
