NIPSSep, 2019

生成模型的梯度用于串联质谱的鉴别分析提升

PDF
TL;DR本文基于生成对抗生成模型的对数似然梯度，介绍利用一种基于动态贝叶斯网络（DBN）的核判别分类器改进 Tandem Mass Spectrometry 中蛋白质识别的方法，通过引入 Theseus DBN 搜索算法，实现了自动学习模型参数的功能，并在评估数据集上取得了最优效果的结果。
tandem mass spectrometryproteins identificationgenerative modelsdiscriminative classifierfisher kernel
发现论文，激发创造
  • 深度学习驱动的串联质谱数据库搜索中减少数据偏倚的方法

    DeepSearch 是首个基于深度学习的串联质谱数据库搜索方法，通过改进的转换器编码器 - 解码器架构和对比学习框架，采用数据驱动方法评分肽谱匹配，并以零样本方式对变量翻译修饰进行建模，验证了其准确性和鲁棒性。

    May, 2024

  • FraGNNet：一种用于质谱预测的深度概率模型

    发展了一种新的概率方法用于化合物到质谱的预测，名为 FraGNNet，能够高效且准确地预测高分辨率质谱，超越现有 C2MS 模型作为基于检索的 MS2C 工具。

    Apr, 2024

  • 基于结构模式的图神经网络质谱预测

    本文提出了一种基于结构模式和图神经网络实现的大质谱预测系统 MoMS-Net，该系统在各种大质谱上的测试结果表明其优于现有模型，同时使用的内存较少。

    Jun, 2023

  • 基于 GC-EI-MS 光谱的小分子的去新识别

    本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法，主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。

    Apr, 2023

  • 通过修改核的频谱来控制宽型神经网络的归纳偏差

    宽神经网络的收敛速度和可达函数受到一定偏好，因此需要一种可以根据任务修改此偏好的方法。为此，我们介绍了修改光谱核 (MSKs)，这是一种新型的构造核，可用于近似具有所需特征值的核函数，尽管没有已知的闭式形式。我们利用宽神经网络和神经切线核之间的对偶性，提出了一种预条件梯度下降方法，可以改变梯度下降的轨迹，从而实现多项式和 (在某些情况下) 指数级的训练加速，同时不改变最终解，我们的方法既计算高效又易于实施。

    Jul, 2023

  • 基于 Transformer 的数据独立获得质谱的新肽碱基序列

    Casanovo-DIA 是一种基于 Transformer 架构的深度学习模型，能够从 DIA 质谱数据中解析肽段序列，并显著提高了已有方法的精度和召回率，在氨基酸水平上精度提高 15.14% 至 34.8%，召回率提高 11.62% 至 31.94%，在肽段水平上精度提高 59% 至 81.36%。将 DIA 数据与 Casanovo-DIA 模型集成能够大大提升对生物样本的肽段发现和全面性分析。

    Feb, 2024

  • 用于代谢物注释的集成光谱预测（ESP）模型

    本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP)，该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测，可提高注释能力的 41% 和 30%，是目前神经网络方法中性能最优秀的模型之一，并在实验中验证了候选分子的相似性和数量对注释性能的影响。

    Mar, 2022

  • 基于评分的蛋白质分子动力学增强采样

    本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

    Jun, 2023

  • 机器学习与质谱技术的结合：一种专注角度

    质谱学数据的机器学习分析及相关挑战的前景探讨。

    Jun, 2024

  • 具有稀疏性的判别高斯混合模型

    通过稀疏贝叶斯学习，提出了一种基于判别高斯混合模型（Sparse Discriminative Gaussian Mixture, SDGM）的分类器。实验结果表明，该方法优于现有的基于 softmax 的判别模型。

    Nov, 2019