DeepIso：一种用于肽段特征检测的深度学习模型
定量方法
2018-01-08 v1 神经与进化计算
医学物理
摘要
基于液相色谱-串联质谱（LC-MS/MS）的蛋白质组学是一个成熟的研究领域，其主要应用包括疾病生物标志物鉴定、药物发现、药物设计与开发。在蛋白质组学中，蛋白质鉴定与定量是一项基础任务，其做法是先将蛋白质酶解成肽段，再通过 LC-MS/MS 仪器分析肽段。从 LC-MS 图谱中进行肽段特征检测与定量是典型分析流程的第一步。本文提出一种新颖的基于深度学习的模型 DeepIso，该模型使用卷积神经网络（CNNs）扫描 LC-MS 图谱以检测肽段特征并估计其丰度。现有工具通常基于领域知识设计有限的工程特征，并依赖于很少更新的预训练参数，尽管有大量新的蛋白质组学数据不断产生。相反，我们提出的模型能够通过其多层神经元学习高维数据的多级表示，并随新获取的数据持续演化。为评估所提模型，我们使用一个抗体数据集，包括一条重链和一条轻链，每条分别用 Asp-N、胰凝乳蛋白酶（Chymotrypsin）、胰蛋白酶（Trypsin）酶解，从而给出六张用于实验的 LC-MS 图谱。我们的模型在该数据集上取得了 93.21% 的灵敏度与 99.44% 的特异度。我们的结果表明，新颖的深度学习工具有望推进蛋白质鉴定与定量领域的当前最优水平。
引用
@article{arxiv.1801.01539,
title = {DeepIso: A Deep Learning Model for Peptide Feature Detection},
author = {Fatema Tuz Zohora and Ngoc Hieu Tran and Xianglilan Zhang and Lei Xin and Baozhen Shan and Ming Li},
journal= {arXiv preprint arXiv:1801.01539},
year = {2018}
}