LooMS: a novel peptide identification tools for data independent acquisition
Notice bibliographique
Résumé
Abstract Advancements in mass spectrometry (MS)-based proteomics have produced large-scale datasets, necessitating the development of effective tools for peptide identification. Here, we present LooMS, a novel tool specifically designed for identifying peptides in data-independent acquisition (DIA) datasets. LooMS employs an innovative approach, using an unbiased generation strategy for positive and negative samples, which reduces the risk of overfitting in peptide identification with deep learning models. Additionally, LooMS addresses various critical aspects of DIA mass spectra data analysis, constructing a comprehensive set of 43 features for training deep learning models, which cover different stages of DIA data analysis. Notably, we propose a false discovery rate (FDR) control strategy that integrates results from both LooMS and DiaNN, another leading peptide identification tool. Our results demonstrate significant improvements in peptide identification performance, with enhancements of 40.61% and 26.60% at the unique peptide level for human and mouse datasets, respectively. Highlights LooMS is a novel tool for identifying peptides in DIA datasets that adopts an innovative unbiased positive and negative sample generation strategy, which aim to avoid the overfilling in peptide identification with deep learning model. LooMS comprehensively considers various aspects of data analysis for DIA mass spectra and builds 43 useful features for training deep learning models, which involve different stages of DIA data analysis. A FDR control strategy for integration of results from both LooMS and DiaNN is proposed, which can significantly improve the identification of peptides due to the differences in the features involved in peptide detection during their respective design.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».