IALA-LNN:基于改进的人工阻碍算法优化液态神经网络的类保留时间预测的深度学习
1School of Computer Science and Artificial Intelligence Aliyun School of Big Data School of Software, Changzhou University, Changzhou 213164, China.
Journal of chemical information and modeling
|February 17, 2026
概括
我们开发了IALA-LNN,一种新的液体神经网络 (LNN) 框架,用于准确预测液体染色学-并联质谱学 (LC-MS/MS) 蛋白质组学中的质保留时间,显著改善了质识别.
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
- 分析化学 分析化学
背景情况:
- 准确的保留时间预测对于液体染色学-并联质谱学 (LC-MS/MS) 蛋白质组学中可靠的识别至关重要.
- 使用静态神经网络的现有方法与复杂的序依赖性作斗争.
- 当前的超参数优化在计算上是低效的,并且产生了低于最佳的结果.
研究的目的:
- 引入IALA-LNN,一个利用液态神经网络 (LNN) 的框架,由普通微分方程 (ODE) 控制,用于增强保留时间预测.
- 改进结构中的序列依赖的建模,以便更准确地预测保留时间.
- 为蛋白质学中的复杂机器学习模型开发一个高效的超参数优化策略.
主要方法:
- 采用液态神经网络 (LNN),其状态演变由普通微分方程 (ODE) 控制,以捕获序列信息.
- 采用ESM-2和ProtT5蛋白质语言模型的综合双编码.
- 使用了改进的人工 lemming 算法 (IALA),并使用了超参数调整的先进优化技术.
主要成果:
- 在RP,SCX和HILIC染色学中,IALA-LNN实现了高精度,R2值分别为0.994,0.998和0.998.
- 平均绝对误差 (MAE) 值低至0.07分钟,显示出极高的精度.
- 在保留时间预测方面,超越了DeepRT,DeepLC和Prosit等既有方法.
结论:
- 基于微分方程的神经网络有效地模拟了类保留模式.
- IALA-LNN显著提高了鉴定可靠性,并降低了LC-MS/MS蛋白质组中的错误发现率.
- 该框架支持精密蛋白质组学应用,包括生物标志物发现和有针对性的工作流.
