Предсказание распределения ионов пептида при положительной электроспрейной ионизации
##plugins.themes.bootstrap3.article.main##
Аннотация
Проанализирована возможность предсказания с применением нейронных сетей распределения ионов разного заряда при ионизации пептидов электроспреем в масс-спектрометрических экспериментах. В качестве обучающих и тестовых выборок использовали три набора независимых данных, полученных на однотипном оборудовании и депонированных в ProteomeXchange (PXD032141, PXD051750, PXD019263). Для каждого из идентифицированных заново пептидов рассчитывали набор долевых значений для ионов от 1+ до 5+. В качестве независимых переменных использовали 4 различных набора описаний пептида, включающих как спектр аминокислотных остатков, так и их физико-химические характеристики. Было проанализировано 64 варианта нейронных сетей, в которых варьировали описание входных данных, число и типы слоёв, функции активации и потерь. Коэффициент детерминации и набор метрик Euclidean, Sørensen, Chebyshev, Cosine рассматривали как меру качества предсказания. Для лучших отобранных вариантов ошибка не превышала 10% в 80% случаев. Данная точность может быть достаточна для предварительной оценки вероятности обнаружения иона пептида с определённым зарядом.
##plugins.themes.bootstrap3.article.details##
Библиографические ссылки
- Yates, J.R., Ruse, C.I., Nakorchevsky, A. (2009) Proteomics by mass spectrometry: approaches, advances, and applications. Annu. Rev. Biomed. Eng., 11, 49–79. DOI
- Iavarone, A.T., Jurchen, J.C., Williams, E.R. (2000) Effects of solvent on the maximum charge state and charge state distribution of protein ions produced by electrospray ionization. J. Am. Soc. Mass Spectrom., 11(11), 976–985. DOI
- Skvortsov, V.S., Alekseychuk, N.N., Miroshnichenko, Y.V., Rybina, A.V. (2019) The prediction of the ion fraction of the peptide with selected charge in mass spectrometry with positive electrospray ionization. Biomedical Chemistry: Research and Methods, 2(4), e00100. DOI
- ProteomeXchange. Retrieved July 20, 2024, from: https://proteomecentral.proteomexchange.org
- Ramiro, L., Faura, J., Simats, A., García-Rodríguez, P., Ma, F., Martín, L., Canals, F., Rosell, A., Montaner, J. (2023) Influence of sex, age and diabetes on brain transcriptome and proteome modifications following cerebral ischemia. BMC Neurosci., 24(1), 7. DOI
- Proteomics identification database, project PXD051750. DOI
- Vavilov, N.E., Zgoda, V.G., Tikhonova, O.V., Farafonova, T.E., Shushkova, N.A., Novikova, S.E., Yarygin, K.N., Radko, S.P., Ilgisonis, E.V., Ponomarenko, E.A., Lisitsa, A.V., Archakov, A.I. (2020) Proteomic analysis of Chr 18 proteins using 2D fractionation. J. Proteome Res, 19(12), 4901–4906. DOI
- Voronina, A.I., Miroshnichenko, Yu.V., Skvortsov, V.S. (2024) Bioinformatic identification of proteins with altered PTM levels in a mouse line established to study the mechanisms of the development of fibromuscular dysplasia. Biomeditsinskaya Khimiya, 70(4), 248–255. DOI
- Rybina, A.V. (2024) Identification of proteoforms in experimental ischemic stroke in mice: Comparison of data from 2D electrophoresis and an independent experiment with mass spectrometric identification. Proceedings Book of the XXX Symposium “Bioinformatics and Computer-Aided Drug Discovery”, 116. DOI
- Progenesis LC-MS version 4.0, Nonlinear Dynamics, Newcastle upon Tyne, UK.
- ProteinCNN. Retrieved July 20, 2024, from: https://github.com/rwalroth/ProteinCNN
- Li, Z., Yu, Y. (2016) Protein secondary structure prediction using cascaded convolutional and recurrent neural networks. arXiv preprint 1604.07176. DOI