PROTECT：利用无监督学习预测蛋白质昼夜节律时间

昼夜节律调节人类和动物的生理与行为。尽管在理解这些节律和在转录水平预测昼夜节律相位方面取得了进展，但从蛋白质组数据预测昼夜节律相位仍然难以实现。这一挑战很大程度上是由于蛋白质组数据集中时间标签的稀缺，这些数据集通常具有样本量小、维度高和噪声大的特点。此外，现有的从转录组数据预测昼夜节律相位的方法通常依赖于已知节律基因的先验知识，因此不适用于蛋白质组数据集。为了弥补这一空白，我们开发了一种新颖的计算方法，利用无监督深度学习技术从蛋白质组数据预测昼夜节律样本相位，无需时间标签或蛋白质/基因的先验知识。我们的模型包括一个两阶段训练过程，针对稳健的昼夜节律相位预测进行了优化：初始的逐层贪婪预训练生成信息丰富的初始参数，随后进行微调。在微调过程中，一个专门的损失函数引导模型将蛋白质表达水平与昼夜节律模式对齐，使其能够准确捕捉数据中潜在的节律结构。我们在带时间标签和不带标签的蛋白质组数据上测试了我们的方法。对于带标签的数据，我们将预测结果与已知时间标签进行比较，实现了高精度；而对于不带标签的人类数据集，包括死后脑区和尿液样本，我们探索了昼夜节律紊乱。值得注意的是，我们的分析识别出阿尔茨海默病与对照组样本之间在这些样本中节律蛋白的紊乱。