ProteomicsML: An Online Platform for Community-Curated Data sets and Tutorials for Machine Learning in Proteomics.
ProteomicsML: An Online Platform for Community-Curated Data sets and Tutorials for Machine Learning in Proteomics.
复制标题
ProteomicsML：一个社区策划的数据集和蛋白质组学机器学习教程的在线平台。
DOI：
10.1021/acs.jproteome.2c00629
复制
发表时间：
2023-02-03
影响因子：
4.4
通讯作者：
Deutsch, Eric W.
中科院分区：
文献类型：
--
作者：
Rehfeldt, Tobias G.;Gabriels, Ralf;Bouwmeester, Robbin;Gessulat, Siegfried;Neely, Benjamin A.;Palmblad, Magnus;Perez-Riverol, Yasset;Schmidt, Tobias;Vizcaino, Juan Antonio;Deutsch, Eric W.
数据集获取和管理通常是机器学习奋进中最困难和最耗时的部分。这对于基于蛋白质组学的液相色谱（LC）与质谱（MS）数据集的耦合尤其如此，因为在原始数据和机器学习就绪数据之间发生了高水平的数据减少。由于预测蛋白质组学是一个新兴领域，在LC-MS设置中预测肽行为时，每个实验室通常使用独特而复杂的数据处理管道，以最大限度地提高性能，但代价是可访问性和再现性。出于这个原因，我们引入ProteomicsML，这是一个基于蛋白质组学的数据集和教程的在线资源，涵盖了目前探索的大多数理化肽特性。这个社区驱动的资源使得以易于处理的格式访问数据变得简单，并包含易于遵循的教程，允许新用户与该领域最先进的算法进行交互。ProteomicsML提供的数据集可用于比较最先进的机器学习算法，并为教师和该领域的新手提供入门材料。该平台免费提供，我们欢迎整个蛋白质组学社区为该项目做出贡献。
Data set acquisition and curation are often the most difficult and time-consuming parts of a machine learning endeavor. This is especially true for proteomics-based liquid chromatography (LC) coupled to mass spectrometry (MS) data sets, due to the high levels of data reduction that occur between raw data and machine learning-ready data. Since predictive proteomics is an emerging field, when predicting peptide behavior in LC-MS setups, each lab often uses unique and complex data processing pipelines in order to maximize performance, at the cost of accessibility and reproducibility. For this reason we introduce ProteomicsML, an online resource for proteomics-based data sets and tutorials across most of the currently explored physicochemical peptide properties. This community-driven resource makes it simple to access data in easy-to-process formats, and contains easy-to-follow tutorials that allow new users to interact with even the most advanced algorithms in the field. ProteomicsML provides data sets that are useful for comparing state-of-the-art machine learning algorithms, as well as providing introductory material for teachers and newcomers to the field alike. The platform is freely available at , and we welcome the entire proteomics community to contribute to the project at .
登录
查看更多内容
DOI：
10.1074/mcp.m113.034769
发表时间：
2014-01
期刊：
Molecular & cellular proteomics : MCP
影响因子：
--
作者：
Hebert AS;Richards AL;Bailey DJ;Ulbrich A;Coughlin EE;Westphall MS;Coon JJ
通讯作者：
Coon JJ
影响因子：
14.9
作者：
Perez-Riverol Y;Bai J;Bandla C;García-Seisdedos D;Hewapathirana S;Kamatchinathan S;Kundu DJ;Prakash A;Frericks-Zipper A;Eisenacher M;Walzer M;Wang S;Brazma A;Vizcaíno JA
通讯作者：
Vizcaíno JA
影响因子：
16.6
作者：
Adhikari S;Nice EC;Deutsch EW;Lane L;Omenn GS;Pennington SR;Paik YK;Overall CM;Corrales FJ;Cristea IM;Van Eyk JE;Uhlén M;Lindskog C;Chan DW;Bairoch A;Waddington JC;Justice JL;LaBaer J;Rodriguez H;He F;Kostrzewa M;Ping P;Gundry RL;Stewart P;Srivastava S;Srivastava S;Nogueira FCS;Domont GB;Vandenbrouck Y;Lam MPY;Wennersten S;Vizcaino JA;Wilkins M;Schwenk JM;Lundberg E;Bandeira N;Marko-Varga G;Weintraub ST;Pineau C;Kusebauch U;Moritz RL;Ahn SB;Palmblad M;Snyder MP;Aebersold R;Baker MS
通讯作者：
Baker MS
DOI：
10.1007/s13361-019-02288-2
发表时间：
2019-11-01
影响因子：
3.2
作者：
Dodds, James N.;Baker, Erin S.
通讯作者：
Baker, Erin S.
影响因子：
4.4
作者：
Dincer, Ayse B.;Lu, Yang;Schweppe, Devin K.;Oh, Sewoong;Noble, William Stafford
通讯作者：
Noble, William Stafford