In proteomic analysis, MS/MS spectr

In proteomic analysis, MS/MS spectra acquired by mass spectrometer are assigned to peptides by database searching algorithms such as SEQUEST. The assignations of peptides to MS/MS spectra by SEQUEST searching algorithm are defined by several scores including Xcorr, Delta Cn, Sp, Rsp, matched ion count and so on. Filtering criterion using several above scores is used to isolate correct identifications from random assignments. However, the filtering criterion was not favorably optimized up to now.|In this study, we implemented a machine learning approach known as predictive genetic algorithm (GA) for the optimization of filtering criteria to maximize the number of identified peptides at fixed false-discovery rate (FDR) for SEQUEST database searching. As the FDR was directly determined by decoy database search scheme, the GA based optimization approach did not require any pre-knowledge on the characteristics of the data set, which represented significant advantages over statistical approaches such as PeptideProphet. Compared with PeptideProphet, the GA based approach can achieve similar performance in distinguishing true from false assignment with only 1/10 of the processing time. Moreover, the GA based approach can be easily extended to process other database search results as it did not rely on any assumption on the data.|Our results indicated that filtering criteria should be optimized individually for different samples. The new developed software using GA provides a convenient and fast way to create tailored optimal criteria for different proteome samples to improve proteome coverage.

ผลลัพธ์ (ไทย) 1:

ในการวิเคราะห์ proteomic แรมสเป็คตรา MS/MS มา โดยสเปกโตรมิเตอร์โดยรวมถูกกำหนดให้กับเปปไทด์ โดยฐานข้อมูลค้นหาอัลกอริทึมเช่น SEQUEST Assignations ของเปปไทด์จะแรมสเป็คตรา MS/MS โดย SEQUEST อัลกอริทึมการค้นหาถูกกำหนด โดยคะแนนต่าง ๆ รวมถึง Xcorr, Cn เดลต้า Sp บังคับ จับคู่นับจำนวนไอออนและ กรองเกณฑ์โดยใช้คะแนนต่าง ๆ ดังกล่าวจะใช้เพื่อแยกรหัสที่ถูกกำหนดแบบสุ่มจาก อย่างไรก็ตาม เกณฑ์การกรองไม่พ้องต้องเหมาะถึงตอนนี้. |ในการศึกษานี้ เราใช้เครื่องจักรเรียนรู้วิธีเป็นขั้นตอนวิธีพันธุกรรมทำนาย (GA) สำหรับการเพิ่มประสิทธิภาพของการกรองเงื่อนไขเพื่อเพิ่มหมายเลขของเปปไทด์ที่ระบุในอัตราคงที่ค้นไม่พบ (FDR) สำหรับค้นหาฐานข้อมูล SEQUEST เป็น FDR ถูกตรงตามที่โครงร่างลวงฐานข้อมูลค้นหา วิธีการเพิ่มประสิทธิภาพใช้ GA ไม่จำเป็นต้องรู้ล่วงหน้าใด ๆ ในลักษณะของชุดข้อมูล ซึ่งแสดงถึงประโยชน์ที่สำคัญกว่าวิธีการทางสถิติเช่น PeptideProphet เมื่อเทียบกับ PeptideProphet วิธีใช้ GA สามารถบรรลุประสิทธิภาพคล้ายกันในการแยกความจริงจากกำหนดผิดกับเพียง 1/10 ของเวลาการประมวลผล นอกจากนี้ วิธีใช้ GA สามารถได้ขยายเพื่อประมวลผลการค้นหาฐานข้อมูลอื่น ๆ มันไม่ต้องอาศัยสมมติฐานใด ๆ ข้อมูล. |ผลของเราระบุว่า เงื่อนไขการกรองควรปรับให้เหมาะแต่ละตัวแตกต่างกันอย่าง ซอฟต์แวร์พัฒนาใหม่โดยใช้ GA ช่วยให้วิธีสะดวก และรวดเร็วเพื่อสร้างปรับเงื่อนไขเหมาะสมที่สุดสำหรับตัวอย่าง proteome ต่าง ๆ เพื่อเพิ่มความครอบคลุม proteome

ผลลัพธ์ (ไทย) 2:

ในการวิเคราะห์โปรตีน, MS / MS เปคตรัมที่ได้มาโดยสเปกโตรมิเตอร์มวลได้รับมอบหมายให้เปปไทด์โดยฐานข้อมูลการค้นหาขั้นตอนวิธีการเช่น sequest assignations ของเปปไทด์ที่จะ MS / MS สเปกตรัมโดยขั้นตอนวิธีการค้นหา sequest ถูกกำหนดโดยหลายคะแนนรวมทั้ง Xcorr เดลต้า Cn, SP, Rsp นับไอออนจับคู่และอื่น ๆ เกณฑ์การกรองโดยใช้คะแนนดังกล่าวข้างต้นหลายที่ใช้ในการแยกการวินิจฉัยที่ถูกต้องจากการกำหนดแบบสุ่ม แต่เกณฑ์การกรองที่ดีที่สุดไม่ได้อยู่ในเกณฑ์ดีถึงตอนนี้ |. ในการศึกษานี้เราดำเนินการเป็นวิธีการเรียนรู้ที่เรียกว่าขั้นตอนวิธีพันธุกรรมทำนาย (GA) สำหรับการเพิ่มประสิทธิภาพของเกณฑ์การกรองเพื่อเพิ่มจำนวนของเปปไทด์ที่ระบุคงเท็จค้นพบ อัตรา (FDR) เพื่อ sequest ค้นหาฐานข้อมูล เป็น FDR ถูกกำหนดโดยตรงจากโครงการค้นหาฐานข้อมูลล่อ, วิธีการเพิ่มประสิทธิภาพของจอร์เจียตามไม่จำเป็นต้องมีความรู้ใด ๆ ก่อนกับลักษณะของชุดข้อมูลซึ่งเป็นตัวแทนข้อดีที่สำคัญกว่าวิธีการทางสถิติเช่น PeptideProphet เมื่อเทียบกับ PeptideProphet, จอร์เจียตามวิธีการที่สามารถบรรลุผลการดำเนินงานที่คล้ายกันในลักษณะที่ได้รับมอบหมายจากความจริงเท็จมีเพียง 1/10 ของเวลาการประมวลผล นอกจากนี้วิธีการจอร์เจียใช้สามารถขยายได้อย่างง่ายดายในการประมวลผลการค้นหาฐานข้อมูลอื่น ๆ ที่มันไม่ได้ขึ้นอยู่กับสมมติฐานใด ๆ กับข้อมูล |. ผลของเราแสดงให้เห็นว่าเกณฑ์การกรองควรจะปรับเป็นรายบุคคลสำหรับกลุ่มตัวอย่างที่แตกต่างกัน ซอฟแวร์ที่พัฒนาใหม่โดยใช้จอร์เจียให้เป็นวิธีที่สะดวกและรวดเร็วเพื่อสร้างเงื่อนไขที่ดีที่สุดเหมาะตัวอย่างโปรตีนที่แตกต่างกันในการปรับปรุงการคุ้มครองโปรตีน

ผลลัพธ์ (ไทย) 3:

ในการวิเคราะห์โปรตีน , MS / MS สเปกตรัมที่ได้จากแมสสเปกโทรมิเตอร์จะมอบหมายให้เปปไทด์โดยฐานข้อมูลขั้นตอนวิธีการค้นหา เช่น sequest . การ assignations เปป MS / MS spectra โดย sequest ค้นหาขั้นตอนวิธีถูกกำหนดโดยหลายคะแนนรวมทั้ง xcorr Delta CN , SP , RSP , จับคู่นับไอออนและเกณฑ์การกรองโดยใช้คะแนนหลายข้างต้นจะใช้ในการแยกอะไรบ่งบอกถูกต้องจากงานสุ่ม อย่างไรก็ตาม เกณฑ์การกรองไม่พ้องต้องกันปรับขึ้นตอนนี้ | ในการศึกษานี้เราใช้เครื่องการเรียนรู้ที่เรียกว่าขั้นตอนวิธีทางพันธุกรรมทำนาย ( GA ) เพื่อเพิ่มประสิทธิภาพของเกณฑ์การกรองเพื่อเพิ่มจำนวนของเปปไทด์ที่เป็นเท็จระบุอัตราคงที่การค้นพบ ( FDR ) สำหรับ sequest ฐานข้อมูลการค้นหา เป็น FDR โดยตรงกำหนดโดยการค้นหารูปแบบฐานข้อมูลเป็นเหยื่อล่อเกมวิธีการที่ใช้เพิ่มประสิทธิภาพ ไม่ต้องมีความรู้พื้นฐานเกี่ยวกับคุณลักษณะของชุดข้อมูลซึ่งแสดงข้อดีสำคัญกว่าวิธีการทางสถิติ เช่น peptideprophet . เมื่อเทียบกับ peptideprophet วิธีการตามเกมสามารถบรรลุประสิทธิภาพที่คล้ายกันในลักษณะที่แท้จริงจากเท็จงานที่มีเพียง 1 / 10 ของการประมวลผล นอกจากนี้วิธีการที่ใช้เกมสามารถขยายได้อย่างง่ายดายเพื่อกระบวนการผลการค้นหาฐานข้อมูลอื่น ๆ มันไม่ได้อาศัยสมมติฐานใด ๆข้อมูล | ผลของเราระบุเกณฑ์การกรองควรจะเหมาะแต่ละอย่างแตกต่างกันใหม่พัฒนาซอฟต์แวร์โดยใช้ GA ได้อย่างสะดวกและรวดเร็ว เพื่อสร้างเกณฑ์ที่เหมาะสมที่เหมาะสำหรับตัวอย่างโปรตีนโปรตีนที่แตกต่างกันเพื่อเพิ่มความคุ้มครอง