典型文献
一种基于深度学习的蛋白质组分析方法
文献摘要：
目的 基于液相色谱-串联质谱的数据非依赖性采集(data-independent acquisition,DIA)方法是蛋白质组数据获取的一种主要方式,采集的混合二级质谱由多个肽段同时碎裂组成,增加了肽段定性和定量的复杂度.目前主流的基于提取离子色谱图的方法需要经过预处理,构建色谱峰,提取色谱峰特征等操作.这类方法流程复杂,存在很多误差,并且不同的色谱图复杂度和色谱时间会影响定性和定量的准确度.针对该方法的不足之处,课题组提出一种基于深度学习的方法,直接对肽段进行定性和定量.方法 与基于提取离子色谱图的方法不同,本课题组没有使用色谱维度的信息,不会受到色谱图复杂度和色谱时间等因素的影响.将预处理后的质谱数据输入到两个基于卷积神经网络(convolutional neural network,CNN)的模型中,通过二分类和回归预测的方式,解决定性和定量问题.结果 课题组在公开数据集上进行了实验,与准确度较高的FIGS相比,提高了定性结果的重复性,在保证定量准确度的同时提高了不同丰度下的肽段定量数量.结论 本文提出的基于深度学习的模型,没有使用色谱维度的信息,可以有效地对肽段进行定性和定量.
文献关键词：
蛋白质组学;深度学习;数据非依赖性采集;相对定量;质谱
中图分类号：
作者姓名：
刘扣龙;郑浩然
作者机构：
中国科学技术大学计算机科学与技术学院,合肥230027
文献出处：
引用格式：
[1]刘扣龙;郑浩然-.一种基于深度学习的蛋白质组分析方法)[J].北京生物医学工程,2022(06):569-575
A类：
FIGS
B类：
蛋白质组分,串联质谱,数据非依赖性采集,data,independent,acquisition,DIA,数据获取,主要方式,碎裂,定性和定量,离子色谱,色谱图,色谱峰,取色,方法流程,用色,质谱数据,convolutional,neural,network,二分类,回归预测,公开数据集,蛋白质组学,相对定量
AB值：
0.299334
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
