概括
开发新的频谱-频谱匹配 (SSM) 评分函数的基准对于在质谱学中准确的标识至关重要. 目前的方法存在局限性,突出了在光谱匹配算法中提高噪声强度的需要.
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:
- 谱图书馆搜索 (SLS) 对于使用双重质谱法识别来说至关重要.
- SLS的准确性在很大程度上依赖于频谱-频谱匹配 (SSM) 评分函数.
- 现有的比较研究受到缺乏全面的基准数据集的阻碍.
研究的目的:
- 引入用于构建SSM评分功能的基准的新方法.
- 创建一个大规模的基准数据集来评估SSM评分功能.
- 评估各种SSM评分功能和预处理方法的性能.
主要方法:
- 开发了新的方法来构建SSM评分功能基准.
- 构建了一个基准数据集,包括八个查询频谱集,具有不同的噪声水平 (476,063个前体).
- 包括三个光谱库 (实验性,无噪声,预测) 包含3,065,819个用于评估的前体.
主要成果:
- 确定了SSM当前评分功能的重大局限性,最佳回忆率约为70%.
- SpectraST在低噪声频谱上表现最好;JS-分歧显示出优越的抗噪能力.
- 同位数,值和预测-同位数得分表现不佳,特别是随着噪声的增加.
结论:
- 开发的基准数据集 (MSV000095946/PXD056205) 有助于测试和开发新的SSM评分功能.
- 拟议的基准构建方法为未来的SSM评估提供了一个可扩展的框架.
- 提高SSM评分功能的噪声稳定性仍然是蛋白质组学中的一个关键挑战.
更多相关视频
11:32A Hydrogen-Deuterium Exchange Mass Spectrometry HDX-MS Platform for Investigating Peptide Biosynthetic Enzymes
Published on: May 4, 2020
8.7K
13:49Semi-automated Biopanning of Bacterial Display Libraries for Peptide Affinity Reagent Discovery and Analysis of Resulting Isolates
Published on: December 6, 2017
12.0K
