Correlation and Convolution Analysis of Peptide Mass Spectra
Notice bibliographique
Résumé
As proteomics continues to establish itself as an effective postgenomic research tool, there is an increasingly urgent need for efficient, automated analysis techniques capable of effectively dealing with the vast amounts of data generated via mass spectrometry. Wholesale analysis packages, often used to deal with these enormous amounts of data, may benefit from supplementary, targeted analyses as current research begins to emphasize posttranscriptional/translational protein modifications, protein truncations, and poorly characterized mutations. We demonstrate the application of a new analysis technique based on mathematical correlation that is computationally efficient and robust against different instruments, noise levels, and experimental conditions. We have previously shown that this technique is able to extract pertinent mass shift signals from MS data, corresponding to the neutral loss of a modification from a peptide, e.g., a loss of 79.97 Th from phosphorylated tyrosine. Here we show that an extension of this method is applicable to MS and MS/MS data in general, allowing visualization of ions that produce a particular mass shift signal, be it from differential stable isotope labeling, overlap of fragment ions in a series, or ions that produce a neutral loss. The application of this method allows the researcher to discover individual features, such as the presence of specific modified or isotopically labeled peptides, to eliminate overlapping fragment ion series, and to localize specific sites of modification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».