首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Analytical Chemistry | 深度学习实现高分辨率LC-MS数据中的精确峰检测

    液相色谱与质谱联用(LC-MS)是代谢组学中最受欢迎的分析平台之一。尽管基于LC-MS的代谢组学应用程序种类繁多以及分析硬件的发展,但是LC-MS数据的处理仍然遇到一些问题。最关键的瓶颈之一是原始数据处理,LC-MS原始数据通常由成千上万的原始MS质谱图组成;每个光谱都有其自己的序列号,并且该数目随保留时间(RT)的增加而增加。这些数据通常包含数千个信号,使得手动数据处理几乎变得不可能。当前用于自动LC-MS数据处理的流程通常包括以下步骤:(1)检测感兴趣区域(ROI);(2)检测色谱峰,然后对其进行积分;(3)所有样品的峰匹配(分组);(4)通过注释相应的加合物和碎片离子将属于同一代谢物的峰聚类为一组。

    06

    Anal. Chem. | PepFormer:基于Transformer的对比学习框架

    今天给大家介绍的是山东大学魏乐义教授课题组在分析化学领域顶级期刊Analytical Chemistry上发表的文章“PepFormer: End-to-End Transformer-Based Siamese Network to Predict and Enhance Peptide Detectability Based on Sequence Only”。多肽的可检测性在鸟枪蛋白质组学实验中至关重要。目前,虽然基于多肽序列组成或理化性质的预测多肽可检测性的计算方法有很多,但都存在诸多不足。在这篇论文中引入了PepFormer,一种新型的端到端孪生网络架构,它将Transformer和GRU组合在一起,能够仅基于肽序列预测肽的可检测性。特别地,论文首次采用对比学习的方法,构造了一个新的模型训练损失函数,大大提高了预测模型的泛化能力。比较结果表明,模型在两个物种(智人和小家鼠)的基准数据集上的表现明显优于最先进的方法。

    02
    领券