Feb, 2024

基于 Transformer 的数据独立获得质谱的新肽碱基序列

PDF
TL;DRCasanovo-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。
tandem mass spectrometryproteomicsdata-independent acquisitionde novo peptide/protein sequencingcasanovo-dia
发现论文，激发创造
  • NovoBench: 基于深度学习的蛋白质组学中 De Novo 肽段测序方法的基准测试

    本文介绍了第一个统一的鲁棒性肽段测序标准 NovoBench，该标准包括多样的质谱数据、整合模型和全面的评估指标，并通过对各种因素的评估，揭示了许多有启发性的发现，为未来的发展开辟了新的可能性。

    Jun, 2024

  • AdaNovo：基于条件互信息的自适应全新肽段测序

    AdaNovo 是一个新颖的框架，通过计算光谱与每个氨基酸 / 肽之间的条件互信息（CMI），利用 CMI 进行自适应模型训练，以解决串级质谱在鉴定具有后转录修饰的氨基酸时遇到的挑战，并且在鉴定肽和抗数据噪声方面表现出色。

    Mar, 2024

  • ContraNovo: 提高全新多肽测序的对比学习方法

    ContraNovo 算法是一种创新算法，通过对质谱和肽段之间的关系进行对比学习，并将质量信息纳入肽段解码，从而更高效地解决肽段测序问题，并在两个基准数据集上得到了可靠的结果，显示出其在提升新肽段测序中的潜力。

    Dec, 2023

  • 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

  • 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

  • 生成模型的梯度用于串联质谱的鉴别分析提升

    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。

    Sep, 2019

  • 少样本蛋白生成

    本文提出了基于 MSA 的蛋白质变换器，是一种基于多序列比对的蛋白质序列生成模型，能够准确地建模表观效应和插入缺失，并且相比已有的基于专用家族模型的方法，其泛化性能更好，尤其在 MSAs 很小的情况下表现出色，能够精确推断和高效采样。

    Apr, 2022

  • 序列与图形编码下肽自组装的高效预测

    这项研究使用先进的深度学习模型对肽的编码进行了全面的基准分析，为肽相关的各种预测提供指导，如等电点、水合自由能等。

    Jul, 2023

  • 应用生成预训练自回归转换器图神经网络分析和发现新型蛋白质

    利用基于语言模型的灵活深度学习策略，基于一个完全基于提示的模型，将 transformer 和图卷积架构集成到因果多头图机制中，实现一个生成预训练模型，用于预测蛋白质的二级结构内容、蛋白质可溶性和蛋白质测序等任务，并可用于设计具有这些特性的蛋白质，这个模型展现了多任务和协同作用的应用价值。

    May, 2023

  • Tranception: 利用自回归转换器和推断时检索进行蛋白质适应性预测

    介绍了使用 Tranception 模型和 ProteinGym 数据集实现蛋白质序列的健康预测的方法。

    May, 2022