MSBooster: improving peptide identification rates using deep learning-based features.
MSBooster: improving peptide identification rates using deep learning-based features.
复制标题
DOI：
10.1038/s41467-023-40129-9
复制
发表时间：
2023-07-27
影响因子：
16.6
通讯作者：
Nesvizhskii, Alexey I.
中科院分区：
文献类型：
--
作者：
Yang, Kevin L.;Yu, Fengchao;Teo, Guo Ci;Li, Kai;Demichev, Vadim;Ralser, Markus;Nesvizhskii, Alexey I.
液相色谱-串联质谱（LC-MS/MS）实验中的肽鉴定依赖于计算算法，用于使用数据库搜索工具（如MSFragger）将获得的MS/MS光谱与候选肽的序列进行匹配。在这里，我们提出了一种新的工具，MSBooster，用于使用额外的功能来重新评分肽与光谱的匹配，这些功能结合了基于深度学习的肽特性预测，例如LC保留时间，离子迁移率和MS/MS光谱。我们演示了MSBooster的实用程序，与MSFragger和Percolator串联，在几个不同的工作流程中，包括非特异性搜索（免疫肽组学），直接识别肽的数据独立的采集数据，单细胞蛋白质组学，和离子迁移率分离功能的timsTOF MS平台上生成的数据。MSBooster是快速，强大，并完全集成到广泛使用的FragPipe计算平台。在自下而上的蛋白质组学中，需要一种可用的方法来改善肽谱匹配重新评分与深度学习预测。在这里，作者展示了从单细胞蛋白质组学到免疫肽组学的各种实验中肽/蛋白质鉴定的强大收益。
Peptide identification in liquid chromatography-tandem mass spectrometry (LC-MS/MS) experiments relies on computational algorithms for matching acquired MS/MS spectra against sequences of candidate peptides using database search tools, such as MSFragger. Here, we present a new tool, MSBooster, for rescoring peptide-to-spectrum matches using additional features incorporating deep learning-based predictions of peptide properties, such as LC retention time, ion mobility, and MS/MS spectra. We demonstrate the utility of MSBooster, in tandem with MSFragger and Percolator, in several different workflows, including nonspecific searches (immunopeptidomics), direct identification of peptides from data independent acquisition data, single-cell proteomics, and data generated on an ion mobility separation-enabled timsTOF MS platform. MSBooster is fast, robust, and fully integrated into the widely used FragPipe computational platform. There is a need for accessible ways to improve peptide spectrum match rescoring with deep learning predictions in bottom-up proteomics. Here, the authors demonstrate robust gains in peptide/protein identifications across various experiments, from single cell proteomics to immunopeptidomics.
登录
查看更多内容
影响因子：
4.4
作者：
Deutsch EW;Perez-Riverol Y;Chalkley RJ;Wilhelm M;Tate S;Sachsenberg T;Walzer M;Käll L;Delanghe B;Böcker S;Schymanski EL;Wilmes P;Dorfer V;Kuster B;Volders PJ;Jehmlich N;Vissers JPC;Wolan DW;Wang AY;Mendoza L;Shofstahl J;Dowsey AW;Griss J;Salek RM;Neumann S;Binz PA;Lam H;Vizcaíno JA;Bandeira N;Röst H
通讯作者：
Röst H
影响因子：
4.4
作者：
Fondrie WE;Noble WS
通讯作者：
Noble WS
影响因子：
4.4
作者：
Cox, Juergen;Neuhauser, Nadin;Mann, Matthias
通讯作者：
Mann, Matthias
影响因子：
5.8
作者：
Degroeve, Sven;Martens, Lennart
通讯作者：
Martens, Lennart
影响因子：
3.4
作者：
Eng, Jimmy K.;Jahan, Tahmina A.;Hoopmann, Michael R.
通讯作者：
Hoopmann, Michael R.