Reducing Peptide Sequence Bias in Quantitative Mass Spectrometry Data with Machine Learning.
Reducing Peptide Sequence Bias in Quantitative Mass Spectrometry Data with Machine Learning.
复制标题
用机器学习减少定量质谱数据中的肽序列偏差。
DOI：
10.1021/acs.jproteome.2c00211
复制
发表时间：
2022-07-01
影响因子：
4.4
通讯作者：
Noble, William Stafford
中科院分区：
文献类型：
--
作者：
Dincer, Ayse B.;Lu, Yang;Schweppe, Devin K.;Oh, Sewoong;Noble, William Stafford
关键词：
多肽的定量质谱学测量必须包含反映多肽在酶消化、液相色谱和质谱仪中行为的特定序列偏差。这些特定于序列的效应损害了量化的准确性，产生的多肽数量被系统性地低估或高估。我们为这种偏见的存在提供了经验证据，我们使用一个名为Pepper的深度神经网络来自动识别和减少这些偏见。该模型推广到一组相关的MS/MS实验中的新蛋白质和新的运行，学习的系数本身反映了相应肽序列的预期物理化学性质。与未调整的测量结果相比，调整后的丰度测量结果与基于mRNA的基因表达测量结果更相关。Pepper适用于在各种质谱仪上产生的数据，可用于标记或非标记方法，以及独立于数据或依赖于数据的获取。
Quantitative mass spectrometry measurements of peptides necessarily incorporate sequence-specific biases that reflect the behavior of the peptide during enzymatic digestion, liquid chromatography, and in the mass spectrometer. These sequence-specific effects impair quantification accuracy, yielding peptide quantities that are systematically under- or over-estimated. We provide empirical evidence for the existence of such biases, and we use a deep neural network, called Pepper, to automatically identify and reduce these biases. The model generalizes to new proteins and new runs within a related set of MS/MS experiments, and the learned coefficients themselves reflect expected physicochemical properties of the corresponding peptide sequences. The resulting adjusted abundance measurements are more correlated with mRNA-based gene expression measurements than the unadjusted measurements. Pepper is suitable for data generated on a variety of mass spectrometry instruments, and can be used with labeled or label-free approaches, and with data-independent or data-dependent acquisition.
登录
查看更多内容
影响因子：
7
作者：
Muntel, Jan;Boswell, Sarah A.;Springer, Michael
通讯作者：
Springer, Michael
影响因子：
7
作者：
Searle, Brian C.;Egertson, Jarrett D.;MacCoss, Michael J.
通讯作者：
MacCoss, Michael J.
DOI：
10.1039/b919484c
发表时间：
2010-01
期刊：
The Analyst
影响因子：
--
作者：
Shuford CM;Comins DL;Whitten JL;Burnett JC Jr;Muddiman DC
通讯作者：
Muddiman DC
影响因子：
14.9
作者：
Kawashima, S;Kanehisa, M
通讯作者：
Kanehisa, M
影响因子：
5.8
作者：
Webb-Robertson, Bobbie-Jo M.;Cannon, William R.;Waters, Katrina M.
通讯作者：
Waters, Katrina M.