Charge State Determination of Peptide Tandem Mass Spectra Using Support Vector Machine (SVM)
Notice bibliographique
Résumé
A single mass spectrometry experiment could produce hundreds of thousands of tandem mass spectra. Several search engines have been developed to interpret tandem mass spectra. All search engines need to determine the masses of peptide ions from their mass/charge ratios. Unfortunately, mass spectrometers do not detect the charges of ions. A current strategy is to search candidate peptides multiple times, once for each possible charge state (typically +2 or +3 ). However, this strategy not only wastes the search time, but also increases the risk of false positive peptide identification. This paper aims at discriminating doubly charged spectra from triply charged ones. Twenty-eight features are introduced to describe the discriminant characteristics of doubly charged and triply charged spectra. The support vector machine (SVM) technique is used to train the classifier on these 28 features. To verify the proposed method, computational experiments are conducted on two types of datasets: ISB dataset generated from the low-resolution ion-trap instrument and TOV dataset generated from the high-resolution quadrupole-time-of-flight instrument. For each type of dataset, the SVM-based classifiers are trained and tested on 20 randomly sampled subdatasets. The results show that the proposed method reaches average correct rates of 95% and 93% to discriminate doubly charged spectra from triply charged ones for the low-resolution ISB dataset and the high-resolution TOV dataset, respectively.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».