💡
原文中文，约1800字，阅读约需5分钟。
📝
内容提要
研究人员提出了基于深度学习的框架DeepGP，用于预测糖肽的MS/MS光谱和保留时间。该框架由Transformer和图神经网络组成，能够捕获糖结构和预测糖离子强度。研究人员验证了DeepGP在小鼠和人类样本数据集上的高精度。该研究为糖蛋白质组学提供了新的预测方法。
🎯
关键要点
- 蛋白质糖基化是重要的翻译后修饰，影响细胞的生理和病理功能。
- 糖蛋白质组学研究蛋白质糖基化，利用液相色谱与串联质谱技术获取相关信息。
- 当前糖蛋白质组学的数据库搜索方法难以确定聚糖结构，光谱库构建复杂。
- 复旦大学研究人员提出DeepGP框架，结合Transformer和图神经网络，预测糖肽的MS/MS光谱和保留时间。
- DeepGP模型通过两个图神经网络模块捕获糖结构和预测糖离子强度，并实施预训练策略。
- 糖基化影响超过50%的哺乳动物蛋白质，导致糖肽异构体多样性，增加识别难度。
- 液相色谱串联质谱是主要技术，但仅靠质荷比不足以确定糖结构，光谱匹配方法提高识别灵敏度。
- DeepGP框架由预训练的Transformer模块和两个图神经网络模块组成，能够处理糖肽的多种特征。
- 研究评估了三种GNN架构，GCN在糖嵌入任务中表现最佳，GIN在B/Y离子强度预测中表现优异。
- DeepGP使用无标注的自然语言数据进行预训练，提高模型在小规模标注数据上的表现。
- 研究人员在小鼠和人类样本数据集上验证了DeepGP的高精度预测。
- DeepGP在合成和生物数据集上的基准测试验证了其有效性，并可提高糖肽检测灵敏度。
➡️
