論文の概要: DePS: An improved deep learning model for de novo peptide sequencing

• arxiv url: http://arxiv.org/abs/2203.08820v1
• Date: Wed, 16 Mar 2022 16:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-19 09:22:31.218957
• Title: DePS: An improved deep learning model for de novo peptide sequencing
• Title（参考訳）: DePS:de novoペプチドシークエンシングのための改良されたディープラーニングモデル
• Authors: Cheng Ge, Yi Lu, Jia Qu, Liangxu Xie, Feng Wang, Hong Zhang, Ren Kong and Shan Chang
• Abstract要約: そこで本研究では,de novoペプチドシークエンシングの精度を向上させる改良モデルであるDePSを提案する。 同じDeepNovoV2の試験セットでは、DePSモデルは、それぞれ74.22%、74.21%、および41.68%の優れた結果を得た。
• 参考スコア（独自算出の注目度）: 7.468176246958974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: De novo peptide sequencing from mass spectrometry data is an important method for protein identification. Recently, various deep learning approaches were applied for de novo peptide sequencing and DeepNovoV2 is one of the represetative models. In this study, we proposed an enhanced model, DePS, which can improve the accuracy of de novo peptide sequencing even with missing signal peaks or large number of noisy peaks in tandem mass spectrometry data. It is showed that, for the same test set of DeepNovoV2, the DePS model achieved excellent results of 74.22%, 74.21% and 41.68% for amino acid recall, amino acid precision and peptide recall respectively. Furthermore, the results suggested that DePS outperforms DeepNovoV2 on the cross species dataset.
• Abstract（参考訳）: 質量分析データからのデノボペプチドの塩基配列は、タンパク質の同定に重要な方法である。 近年,de novoペプチドシークエンシングに様々な深層学習手法が適用され,DeepNovoV2が再現モデルの1つである。 本研究では,タンデム質量分析データにおいて,信号ピークの欠如やノイズピークが多い場合にもde novoペプチドシークエンシングの精度を向上させるための拡張モデルであるdepsを提案する。 同じDeepNovoV2テストセットでは、DePSモデルは、それぞれ74.22%、74.21%、および41.68%のアミノ酸リコール、アミノ酸精度、ペプチドリコールの優れた結果を得た。 さらに,DePSは種間データセット上でDeepNovoV2よりも優れていた。

関連論文リスト

• Disentangling the Complex Multiplexed DIA Spectra in De Novo Peptide Sequencing [7.24090686599962]
  Data-Independent Acquisition (DIA) は、高強度ピークをサンプリングするだけでなく、すべてのペプチドをカバーする感度を向上させるために導入された。 デノボペプチドシークエンシングにおけるDIAデータの有用性は明らかになっていない。
  論文  参考訳（メタデータ） (2024-11-24T02:10:29Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
  本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。 AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-09T11:54:58Z)
• Transformer-based de novo peptide sequencing for data-independent acquisition mass spectrometry [1.338778493151964]
  本稿では,変換器アーキテクチャに基づくディープラーニングモデルであるDiaTransを紹介する。 DIA質量分析データからペプチド配列を解読する。 その結果,既存のSTOA法よりも大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-17T19:04:23Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing [70.12220342151113]
  ContraNovoは、コントラスト学習を利用してスペクトルとペプチドの関係を抽出する先駆的アルゴリズムである。 ContraNovoは、現代最先端のソリューションを一貫して誇張している。
  論文  参考訳（メタデータ） (2023-12-18T12:49:46Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。