PSManalyst: A Dashboard for Visual Quality Control of FragPipe Results
Notice bibliographique
Résumé
FragPipe is recognized as one of the fastest computational platforms in proteomics, making it a practical solution for the rapid quality control of high-throughput sample analyses. Starting with version 23.0, FragPipe introduced the "Generate Summary Report" feature, offering .pdf reports with essential quality control metrics to address the challenge of intuitively assessing large-scale proteomics data. While traditional spreadsheet formats (e.g., tsv files) are accessible, the complexity of the data often limits user-friendly interpretation. To further enhance accessibility, PSManalyst, a Shiny-based R application, was developed to process FragPipe output files (psm.tsv, protein.tsv, and combined_protein.tsv) and provide interactive, code-free data visualization. Users can filter peptide-spectrum matches (PSMs) by quality scores, visualize protease cleavage fingerprints as heatmaps and SeqLogos, and access a range of quality control metrics and representations such as peptide length distributions, ion densities, mass errors, and wordclouds for overrepresented peptides. The tool facilitates seamless switching between PSM and protein data visualization, offering insights into protein abundance discrepancies, samplewise similarity metrics, protein coverage, and contaminants evaluation. PSManalyst leverages several R libraries (lsa, vegan, ggfortify, ggseqlogo, wordcloud2, tidyverse, ggpointdensity, and plotly) and runs on Windows, MacOS, and Linux, requiring only a local R setup and an IDE. The app is available at (https://github.com/41ison/PSManalyst.
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 | 0,004 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».