論文の概要: NovoCRF: Globally Normalized De Novo Peptide Sequencing on a Prefix-Mass Lattice
- arxiv url: http://arxiv.org/abs/2611.05260v1
- Date: Tue, 03 Nov 2026 17:48:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:26:44.037735
- Title: NovoCRF: Globally Normalized De Novo Peptide Sequencing on a Prefix-Mass Lattice
- Title(参考訳): NovoCRF: プリフィックスマスク格子上の全球正規化デノボペプチドシークエンシング
- Abstract要約: ノボCRFは、すべての質量対応ペプチドに対して正確な正規化を訓練した最初のデノボ法である。
NovoCRFの平均ペプチドリコールは42.4%、カサノボv5では39.1%、アミノ酸リコールは64.0%、53.1%であり、18のCPUスレッドでは1,746のスペクトル/sである。
- 参考スコア(独自算出の注目度): 4.288728948293533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: De novo peptide sequencing has moved from dynamic programming over hand-designed or generative scores to large transformers that learn the task end to end. We present NovoCRF, a conditional random field (CRF) whose states are prefix masses, so that its paths are exactly the peptides within +/-0.06 Da of the precursor mass. A small network scores each edge from physics-derived ion-match features and is trained with its scores globally normalized over all mass-feasible peptides. To our knowledge, NovoCRF is the first de novo method trained with exact normalization over all mass-feasible peptides. Our software has three modules, each with exactly one job: a precursor mass finder recovers the accurate precursor mass from MS1, the CRF finds the peptides that fit the precursor mass by exact k-best decoding, and two BiGRU rerankers add sequence context and internal-fragment evidence. The model has 310k parameters and trains in about 17 GPU-hours. On seven held-out data-dependent acquisition datasets published in 2026 (126,262 labeled spectra), NovoCRF's mean peptide recall is 42.4%, against 39.1% for Casanovo v5 with five beams, and its amino-acid recall 64.0% against 53.1%, at 1,746 spectra/s on 18 CPU threads, 55x Casanovo's throughput on a GPU. Split by fragment evidence, NovoCRF leads on labels with up to three peptide bonds without a b or y ion, and Casanovo only beyond. NovoCRF can also search modifications it was never trained on at their exact mass: it finds 32.1% of the hydroxyproline peptides of a lion bone sample.
- Abstract(参考訳): デノボペプチドシークエンシングは、動的プログラミングから手書きまたは生成的なスコアへと移行し、タスクの終端を学習する大きなトランスフォーマーへと移行した。
条件付き乱数体(CRF)であるNovoCRFは前駆体質量の+/-0.06Daのペプチドである。
小さなネットワークは、物理由来のイオンマッチの特徴から各エッジをスコアし、そのスコアを全質量対応ペプチドに対してグローバルに正規化して訓練する。
我々の知る限り、NovoCRFは、すべてのマスファシブルペプチドに対して正確な正規化を訓練された最初のデノボ法である。
我々のソフトウェアには3つのモジュールがあり、それぞれが正確に1つのジョブを持つ。前駆体質量検出器はMS1から正確な前駆体質量を回収し、CRFは正確なk-bestデコーディングにより前駆体質量に適合するペプチドを発見し、2つのBiGRUリランカはシーケンスコンテキストと内部フラッグメント証拠を付加する。
モデルは310kパラメータを持ち、約17GPU時間でトレーニングする。
2026年に発表された7つの保持されたデータ依存型取得データセット(126,262のラベル付きスペクトル)では、NovoCRFの平均ペプチドリコールは42.4%、カサノボ v5では39.1%、アミノ酸リコールは64.0%、53.1%、CPUスレッドでは1,746のスペクトル/s、GPUでは55xカサノボのスループットである。
断片的な証拠によって分割されたNovoCRFは、最大3つのペプチド結合がbまたはyイオンを持たないラベルを導き、カサノボはそれを超える。
ノボCRFは、その正確な質量で訓練されなかった修飾を探索することもでき、ライオンの骨サンプルのヒドロキシプロリンペプチドの32.1%が検出されている。
関連論文リスト
- SPINET: Sheaf Protein Inverse Folding Network [0.9610755207391831]
SPINETは分子動力学軌道から配列を予測する。
細胞シーブを用いて各フレーム内の残基相互作用を表現している。
シークエンスリカバリにおいて、評価された静的およびアンサンブルベースラインをすべて上回る。
論文 参考訳(メタデータ) (2026-09-28T02:34:00Z) - Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳(メタデータ) (2026-09-16T15:34:21Z) - 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) - 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) - Target specific peptide design using latent space approximate trajectory
collector [1.7289819674602296]
我々は,LSATC (Approximate Space Tray Collector) と呼ばれる新しい機械学習設計を提案する。
ペプチドと所望の結合特性を近似した284%の空間のサンプルからなる。
標準Wntシグナル伝達に関与する重要なエフェクタータンパク質であるβ-カテニンを標的としたペプチド拡張の設計に遅れをきたした。
LSATCにより拡張された4つの結合ペプチドは、ベータカテニン結合を少なくとも2%以上改善し、2つのペプチドは、塩基性ペプチドと比較して3ドル以上の親和性を示した。
論文 参考訳(メタデータ) (2023-02-02T21:56:52Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳(メタデータ) (2023-01-31T16:43:53Z)
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。