Proteoform search from protein database with top-down mass spectra
Notice bibliographique
Résumé
Abstract In this paper, we propose a new search algorithm for proteoform identification that computes the largest size error correction alignments between a protein mass graph (PMG) and a spectrum mass graph (SMG). We also design a filtering algorithm. The combined method uses the filtering algorithm to get some candidates and then apply the search algorithm to report the final results. Our exact searching method is 3.9 to 9.0 times faster than the popular methods such as TopMG and TopPIC. Our combined method can further speed up the running time of our method sTopMG by 6.2 times without affecting the search accuracy. Lots of search methods have been developed in the past decade. The search results reported by various methods are known to be significantly different. In literature, there is no top-down mass spectra dataset with known corresponding protein sequences. There is no tool for generating simulated top-down mass spectra with input protein sequences, either. Though there are many published papers to compare and evaluate various search methods, they all use some kind of indirect measures since there is no real or simulated dataset of top-down spectra with known corresponding true protein sequences. Thus, in some sense, the accuracy of existing search methods is somewhat uncertain. Here we develop a pipeline for generating simulated top-down spectra based on input protein sequences with modifications. To our knowledge, this is the first tool to generate simulated top-down mass spectra in a reasonable way indicated by an interesting measure, match gap distribution. Experiments on simulated datasets show that our combined method has of 95% accuracy, while the best existing methods have accuracy far below this. To further evaluation the performance of the existing methods, we generate a set of 55 real top-down spectra from 3 domains of a known antibody. The real dataset shows that our new method has 94.2% accuracy using deconvolution method FLASHDeconv, which is consistent with the accuracy of the simulated data.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».