MSpectraAI: یک پلت فرم قدرتمند برای رمزگشایی پروفایل پروتئوم داده های طیف سنجی جرمی چند توموری با استفاده از شبکه های عصبی عمیق

طیف سنجی جرمی (MS) به یک تکنیک تحلیلی امیدوارکننده برای به دست آوردن اطلاعات پروتئومیکس برای توصیف نمونه های بیولوژیکی تبدیل شده است. با این وجود، بیشتر مطالعات بر روی پروتئین‌های نهایی شناسایی‌شده از طریق مجموعه‌ای از الگوریتم‌ها با استفاده از طیف‌های MS جزئی برای مقایسه با پایگاه‌داده توالی تمرکز می‌کنند، در حالی که تشخیص الگو و طبقه‌بندی داده‌های طیف‌سنجی جرمی خام حل نشده باقی می‌ماند.

نتایج

ما یک پلت فرم متن باز و جامع به نام MSpectraAI را برای تجزیه و تحلیل داده های MS در مقیاس بزرگ از طریق شبکه های عصبی عمیق (DNN) ایجاد کردیم. این سیستم شامل استخراج، طبقه‌بندی و تجسم طیفی است. علاوه بر این، این پلت فرم به کاربران اجازه می دهد تا مدل DNN خود را با استفاده از Keras ایجاد کنند. برای ارزیابی این ابزار، مجموعه داده‌های پروتئومیکس در دسترس عموم از شش نوع تومور (در مجموع 7997805 طیف جرمی) را از کنسرسیوم ProteomeXchange جمع‌آوری کردیم و نمونه‌ها را بر اساس پروفایل طیف طبقه‌بندی کردیم. نتایج نشان می‌دهد که MSpectraAI می‌تواند انواع مختلف نمونه‌ها را بر اساس طیف اثر انگشت تشخیص دهد و به دقت پیش‌بینی بهتری در سطح MS1 (میانگین 0. 967) دست یابد.

نتیجه

این مطالعه پروفایل پروتئومی داده‌های طیف‌سنجی جرمی خام را رمزگشایی می‌کند و کاربرد امیدوارکننده طبقه‌بندی و پیش‌بینی داده‌های پروتئومیکس از نمونه‌های چند توموری را با استفاده از روش‌های یادگیری عمیق گسترش می‌دهد. MSpectraAI همچنین عملکرد بهتری را در مقایسه با سایر روش های یادگیری ماشین کلاسیک نشان می دهد.

زمینه

مقایسه ویژگیهای مولکولی از حالتهای متنوع فیزیولوژیکی یا بیماری برای تعیین نشانگرهای زیستی مختلف بالقوه که از نزدیک با بیماریهای خاص در ارتباط هستند بسیار مهم است [1 ، 2]. به عنوان مثال ، شناسایی نشانگرهای زیستی خاص زیر گروه و محرک های نامزد می تواند بینش مفیدی در مورد پاتوژنز بیماری نشان داده و درمان سرطان شخصی را تسهیل کند [3]. خوشبختانه ، پروتئومیکس می تواند برای این منظور یک طرح اکتشافی ارائه دهد. طی دهه های گذشته ، کروماتوگرافی مایع همراه با طیف سنجی جرمی (LC-MS) تجزیه و تحلیل توان بالا پروتئین های دست نخورده یا پپتیدهای پروتئین تریپسین شده در نمونه های پیچیده را با توجه به زمان احتباس خاص آنها و ارزش شارژ جرم فعال کرده است (M/Z مقدار) ، که اطلاعات داده های طیفی عالی را برای تجزیه و تحلیل پروتئوم فراهم می کند [4،5،6]. بنابراین ، این رویکرد می تواند به تجزیه و تحلیل نمونه های بیولوژیکی در مقیاس بزرگ کمک کند و به تدریج به تکنیک رایج و اصلی انتخاب برای خصوصیات جهانی و بی طرفانه تغییرات پروتئوم در شرایط مختلف نمونه تبدیل شده است. با این حال ، بیشتر مطالعات بر شناسایی و کمیت پروتئین ها از طریق جستجوی پایگاه داده پی در پی الگوریتم با استفاده از داده های طیفی MS متمرکز شده اند [7،8،9]. اطلاعات کمی در مورد سهم داده های طیف سنجی جرمی اصلی در طبقه بندی نمونه قبل از رمزگشایی داده ها در پپتیدها و پروتئین های مربوطه وجود دارد. بنابراین ، نیاز فوری به توسعه روشهای پردازش داده بسیار کارآمد برای استخراج و تجزیه و تحلیل داده های طیف خام در مقیاس بزرگ و چند بعدی ، به ویژه از نمونه های بالینی وجود دارد.

تعدادی از رویکردها و ابزارهای مبتنی بر الگوریتم‌های چند منظوره، از جمله رویکردهای یادگیری ماشین معمولی، مانند رگرسیون لجستیک [10]، الگوریتم kNN [11]، ماشین بردار پشتیبانی (SVM) [12] و الگوریتم درخت تصمیم [12] توسعه یافته‌اند. 13]. هنگام اجرای این الگوریتم‌ها، پیش پردازش داده‌ها، مانند استخراج یا انتخاب ویژگی، یک مرحله توصیه‌شده برای طبقه‌بندی نمونه است [14]. با این حال، تأثیر استخراج ویژگی و دقت پیش‌بینی در هنگام استفاده از این روش‌های متداول یادگیری ماشینی برای داده‌های با ابعاد بالا، همیشه رضایت‌بخش نیست. در مقابل، یادگیری عمیق، که کاربرد شبکه‌های عصبی مصنوعی چندلایه (ANN) را برای وظایف یادگیری پردازش می‌کند [15]، می‌تواند ویژگی‌های مفید را به‌طور مستقل کشف کند، بنابراین سوگیری‌های پیشنهاد شده توسط ویژگی‌های مهندسی دستی [16] را حذف می‌کند. روش‌های یادگیری عمیق، مانند شبکه‌های عصبی کانولوشن (CNN) و شبکه‌های عصبی مکرر (RNNs)، بارها ثابت شده‌اند که عملکرد بهتری از الگوریتم‌های کلاسیک کلاسیک فوق‌الذکر برای داده‌های با ابعاد بالا دارند [17].

در این مطالعه، ما یک پلتفرم منبع باز و قدرتمند، MSpectraAI (هوش مصنوعی طیف انبوه)، به عنوان یک نرم افزار مستقل با کاربری آسان برای استخراج و تجزیه و تحلیل عملی داده های طیف سنجی جرمی خام در مقیاس بزرگ و چند بعدی باشبکه‌های عصبی عمیق (DNN)، که نوعی مدل یادگیری عمیق (و یک مدل پیچیده مبتنی بر شبکه عصبی) است [18]. تا به امروز، این پلت فرم شامل (1) استخراج نوار ویژگی است که در آن تمام طیف های جرمی جمع آوری شده به طور مداوم با پنجره های متوالی به دست می آیند.(2) طبقه‌بندی نمونه، که در آن نمونه‌های گروهی مختلف را می‌توان با استفاده از مدل ANN آزمایش و پیش‌بینی کرد.(3) تجسم، که در آن اثر انگشت طیف جرمی و نتایج پیش‌بینی مدل به صورت نمودارهای برداری نشان داده می‌شود. علاوه بر این، این پلتفرم نتایج داده های جدولی قابل دانلود را در قالب csv برای تجزیه و تحلیل بیشتر مبتنی بر کاربر فراهم می کند. MSpectraAI را می توان به صورت محلی پردازش کرد و به راحتی توسط کاربران، حتی بدون پیشینه بیوانفورماتیک، برای تجزیه و تحلیل داده های پیچیده، به ویژه به دست آمده از نمونه های بالینی، استفاده کرد. کاربران حرفه ای نیز می توانند مدل DNN خود را طراحی کرده و در این ابزار اجرا کنند. برای نشان دادن اصالت و کاربرد این نرم افزار، شش نوع تومور با مجموع 7997805 طیف جرمی از کنسرسیوم ProteomeXchange دانلود و مونتاژ شد [19]. تجزیه و تحلیل بیشتر وجود تنوع پروفایل طیف جرمی در انواع مختلف نمونه ها را نشان می دهد. MSpectraAI می تواند یک پیش بینی برای طبقه بندی این نمونه های بالینی پیچیده بر اساس پروفایل طیف آنها در هر نوع تومور انجام دهد. با توجه به این موضوع، MSpectraAI پتانسیل امیدوارکننده‌ای را برای کاربرد عملی تنظیمات بالینی در دوره پزشکی دقیق نشان می‌دهد.

پیاده سازی

وابستگی ها

تمام توابع در MSpectraAI به زبان R (https://www. r-project. org/) [20] نوشته شده بود و رابط کاربری گرافیکی (GUI) در Shiny (https://github. com/rstudio/shiny) توسعه داده شد.). بنابراین، در صورتی که کاربران تصمیم به استفاده از این ابزار به صورت محلی داشته باشند، قرار است بسته های R و نسبی از قبل نصب شوند. به ویژه، مدل DNN با استفاده از Keras (نسخه 2. 2. 4) (https://github. com/fchollet/keras) ساخته شده است، که همچنین باید روی سیستم از قبل پیکربندی شود. راهنمای نصب دقیق را می توان در فایل اضافی 1 یافت. MSpectraAI یک پلت فرم منبع باز است که در مخزن GitHub، https://github. com/wangshisheng/MSpectraAI موجود است.

علاوه بر این ، Mspectraai همچنین می تواند به صورت محلی در سیستم عامل های ویندوز ، لینوکس و MAC اجرا شود. نیازی به پیکربندی سخت افزاری خاصی ندارد. با این حال ، اجراها به میزان حافظه رایانه موجود و تعداد هسته های CPU یا تنظیمات GPU بستگی دارد (NVIDIA Quadro K2200). به ویژه ، Mspectraai از کاربران حرفه ای برای تهیه روش های DNN خود و حتی مدلهای یادگیری عمیق پیچیده تر پشتیبانی می کند تا داده های بزرگ بعدی را پردازش کند.

طراحی و تجزیه و تحلیل گردش کار

خط لوله کلی mspectraai در شکل 1 نشان داده شده است. برای اعتبارسنجی عملکرد mspectraai ، ما بیشتر پلتفرم را در مجموعه داده های شش نوع تومور (جدول 1 ؛ پرونده اضافی 1: جدول S1) از کنسرسیوم پروتئومکسچژ (شکل 1A) آزمایش کردیم. که یکی از مخازن داده های پیشرو در جهان داده های پروتئومیکس مبتنی بر MS است [19]. تمام داده ها با استفاده از روش وابسته به داده (DDA) [21] ضبط شدند و پارامترهای LC-MS/MS مربوطه در پرونده اضافی 1: جدول S2 خلاصه شد. در کل ، 7،997،805 طیف جرم خام وجود دارد ، از جمله 1،349،180 یونهای والدین طیف جرمی (اسکن MS1) و 6،648،625 طیف جرمی یون های دختر (اسکن MS2). در مرحله بعد ، تمام داده های اصلی (. RAW/. WIFF/. RAW) باید با استفاده از نرم افزار RawConverter به فرمت MZXML یا MZML (پرونده اضافی 1: شکل S1) تبدیل شوند. به صورت اختیاری ، کاربران همچنین می توانند نرم افزارهای مشابه دیگری مانند MsConvert را انتخاب کنند [23]. این داده های خام سپس به طور منظم به ماتریس شدت منظم برای مدل DNN بعدی (شکل 1B) تبدیل شدند تا با استفاده از یک رویکرد خانگی به نام استخراج ویژگی های Swath (شکل 2A) ، طبقه بندی/پیش بینی نمونه ها را انجام دهند ، که از داده های مستقل الهام گرفته شده است. رو ش-acquisition (DIA) [24].

خط لوله کلی mspectraai. داده های شش نوع تومور بر اساس روش HPLC-MS/MS ، بارگیری شده از پایگاه داده Pro-TeomexChange به دست آمد و سپس به MSPectraai وارد شد. نمودار اسکلت B تجزیه و تحلیل داده ها در mspectraai

اجرای دقیق منطق فرآیند داده در mspectraai. گردش کاری از تبدیل داده ها از پرونده خام به ماتریس شدت. نمودارها نمونه ای از یک نمونه با برچسب اصلی 0. (i) طیف جرم خام را نشان می دهد. در این پرونده خام اسکن های کل وجود دارد و برچسب اصلی هر اسکن با 0 مشخص شده است (همانطور که نمونه با برچسب 0).(ب) استخراج ویژگی. ویندوزهای تقسیم شده در ابعاد m/z (دامنه بین دو خط شکسته قرمز به عنوان یک "پنجره" ، j به معنی شماره پنجره است) و جمع همه شدت اوج در هر پنجره (فرمول (1)).(iii) ماتریس شدت. پس از جمع بندی ، شدت در هر اسکن با تقسیم حداکثر شدت هر اسکن عادی می شود (فرمول (2)). سرانجام ، ما ماتریس شدت و ماتریس برچسب مربوطه را بدست می آوریم. B استراتژی پیش بینی متقاطع را ترک کنید. در هر تکرار مستقل ، یک نمونه واحد به عنوان مجموعه داده های تست مستقل (رنگ طلا) و نمونه های باقیمانده به عنوان داده های آموزش (رنگ خاکستری). سپس می توانیم عملکرد کل را بر اساس هر نتیجه تکرار تخمین بزنیم. c چارچوب محاسباتی در هر تکرار. نمودارها نمونه ای از تکرار KTH (نمونه KTH با برچسب اصلی 1 به عنوان داده های آزمون) را نشان می دهد. در جعبه شکسته سمت چپ ، مدل شبکه عصبی عمیق توسط مجموعه داده های آموزش آموزش داده می شود ، سپس هر ردیف (اسکن) را در داده های آزمون با استفاده از این مدل پیش بینی می کنیم. برچسب های پیش بینی شده را می توان با برچسب های اصلی مقایسه کرد ، اگر یکسان باشد ، با "√" مشخص شده است ، در غیر این صورت "×". در جعبه متراکم سمت راست ، اگر بیش از 50 ٪ از اسکن های موجود در نمونه آزمایش به درستی پیش بینی شود ، این بدان معنی است که قبل از فرهنگ سازی برای نمونه آزمایش صحیح است ("√") ، در غیر این صورت ، اشتباه است ("×")

اجرای الگوریتم اصلی

نمودار اصلی فرایند داده های فرایند داده Mspectraai در شکل 2 نشان داده شده است ، که شامل دو بخش اصلی است:

1. استخراج Swath (شکل 2A). این مرحله عمدتا برای به دست آوردن ماتریس شدت عادی و ماتریس برچسب است. در بیشتر مواقع ، دامنه اسکن یونی M/Z و تعداد قله ها در هر طیف به صورت پویا تغییر می کند. این برای تجزیه و تحلیل با استفاده از یک مدل یادگیری عمیق مناسب نیست. بنابراین ، این داده ها ابتدا باید به طور یکنواخت ساختار یافته باشند. در اینجا ، ابتدا کل محدوده M/Z را به ویندوزهای مساوی تقسیم می کنیم. اندازه پنجره در اینجا می تواند با توجه به پیچیدگی داده های آنها توسط کاربران آزادانه طراحی شود (به تفصیل در پرونده اضافی 1: یادداشت های 9. 4) و آنها می توانند نتایج ما (شکل 3) را به عنوان منابع بگیرند. سپس تمام قله های موجود در یک پنجره در هر طیف جرم در ابعاد m/z خلاصه می شوند:

a - g هفت اندازه پنجره برای نمونه های بدخیم کولورکتال برای تعیین توزیع اوج شدت استفاده شد. h روند دقت پیش بینی با کاهش اندازه پنجره (خط چین خاکستری به معنای احتمال 0. 5 است).'5 × 5' به این معنی است که در مجموع 25 پنجره در ابعاد m/z وجود دارد، '10 × 10' به این معنی است که در مجموع 100 پنجره وجود دارد و غیره. رنگ در اینجا از viridis عمیق به زرد عمیق به این معنی است که مقادیر شدت از کم به بزرگ تغییر می کند

که در آن IM دلالت بر ماتریس شدت دارد، i نمایانگر شاخص اسکن MS، j نمایانگر پنجره، و \(\mathop \sum \limits_^ p_\) نشان‌دهنده مجموع تمام پیک‌های داخل اسکن i و پنجره j است. از آنجایی که مقیاس شدت پیک در هر پنجره ناهمخوان است، علاوه بر این، شدت ها باید با تقسیم حداکثر شدت هر اسکن عادی شوند:

در جایی که NIM به معنای ماتریس شدت نرمال شده است، i نشان دهنده شاخص اسکن MS، j نشان دهنده شاخص پنجره است. علاوه بر این، ماتریس برچسب بر اساس کلاس‌های نمونه طراحی می‌شود، به عنوان مثال، اگر نمونه‌های طبیعی با 0 علامت‌گذاری شوند، ماتریس برچسب اصلی آن [0، 0، …، 0] است، به‌طور مشابه، نمونه‌های تومور با 1 علامت‌گذاری می‌شوند.، ماتریس برچسب اصلی آن می تواند [1، 1، …، 1] باشد. طول ماتریس برچسب برابر با عدد اسکن در نمونه مربوطه است.

2. استراتژی پیش بینی متقابل ترک یک نفره (شکل 2b، c). برای هر نوع تومور، به‌طور پیش‌فرض، استراتژی پیش‌بینی متقاطع ترک یک‌بیرون برای تجزیه و تحلیل داده‌ها [31] اجرا شد که در آن یک مشاهده منفرد از نمونه‌های اصلی به عنوان مجموعه داده‌های آزمایش مستقل، و مشاهدات باقی‌مانده به‌عنوان داده‌های آموزشی درهر حلقه for (شکل 2b). به صورت اختیاری، کاربران همچنین می توانند با ویرایش این نرم افزار تخصیص داده ها را در فرآیندهای آموزشی و آزمایشی تنظیم کنند تا برای نمونه های خود مناسب تر باشد. در هر تکرار، دو روش اصلی وجود دارد: 1. پیش‌بینی هر اسکن در داده‌های آزمایشی (جعبه چین‌دار سمت چپ در شکل 2c). ما ابتدا یک مدل DNN سه لایه با مجموع 59779 پارامتر (فایل اضافی 1: شکل S2) طراحی می کنیم و آن را با استفاده از داده های آموزشی آموزش می دهیم، سپس هر اسکن را در داده های تست مستقل پیش بینی می کنیم. 2. ارزیابی عملکرد پیش بینی نمونه آزمایش. می‌توانیم برچسب پیش‌بینی‌شده را با برچسب اصلی هر اسکن در داده‌های آزمایشی مقایسه کنیم و نسبت پیش‌بینی صحیح را بشماریم. اگر این نسبت برابر یا بیشتر از 0. 5 باشد، ما در اینجا فکر می کنیم که این نمونه آزمایشی به درستی پیش بینی شده است، در غیر این صورت اشتباه است.

عملکرد مدل، ارزیابی و مقایسه

برای ارزیابی توافق بین نمونه واقعی و برچسب های پیش بینی شده طیف جرمی، دقت و یادآوری را به شرح زیر ارزیابی کردیم:

که در آن مثبت واقعی (TP) نسبتی است که برچسب های پیش بینی شده با برچسب های تومور قبلی مطابقت دارند. موارد مثبت کاذب (FP) برچسب های پیش بینی شده ای هستند که طبیعی به اشتباه شناسایی شده است. و منفی کاذب (FN) برچسب هایی هستند که نشان می دهد تومور خوش خیم شده است. قابل ذکر است، اگر کاربران نمونه های خوش خیم را به عنوان برچسب مثبت تعریف کنند، محاسبه مربوطه باید بر اساس وضعیت واقعی تنظیم شود. در نهایت، برای اندازه گیری عملکرد هر کلاس، امتیاز F1 را محاسبه کردیم که میانگین وزنی بین دقت و یادآوری است.

علاوه بر این، بسته ROCR [32] برای ترسیم منحنی‌های مشخصه عملکرد گیرنده (ROC) و محاسبه ناحیه زیر منحنی (AUC) برای داده‌های طیف MS1 و MS2 در هر نوع تومور استفاده شد. در نهایت، ما دقت را برای همه نمونه‌های یک نوع تومور به صورت زیر تعریف کردیم:

که در آن N_predicted نشان‌دهنده مجموع نمونه‌هایی است که بیش از نیمی از طیف‌های جرمی به درستی پیش‌بینی شده‌اند و N_total نشان‌دهنده تعداد کل نمونه‌ها است.

در نهایت، ما چهار معیار رایج (دقت، حساسیت، دقت، و امتیاز F1) از MSpectraAI را با معیارهای نتایج منتشر شده [25] با استفاده از انواع مختلف الگوریتم‌های رایج یادگیری ماشین (SVM خطی، RBF SVM، رگرسیون لجستیک، جنگل تصادفی) مقایسه کردیم. و نتایج به‌دست‌آمده از رویکرد کلاسیک با استفاده از MaxQuant [7] همراه با مدل DNN (حالت MaxQuant + DNN، که به این معنی است که داده‌های ماتریس پروتئین ابتدا با نرم‌افزار MaxQuant تولید شده و سپس با استفاده از یک مدل DNN مشابه که در MSpectraAI پیاده‌سازی شده است، پردازش شده‌اند.، برای نشان دادن قابلیت طبقه بندی و پیش بینی MSpectraAI.

نتایج

انتخاب پویا با اندازه پنجره

برای ساخت داده‌های مناسب برای مدل DNN، شدت‌های خام با استفاده از رویکرد استخراج نوار مشخصه (شکل 2a) محصور شدند. با این حال، پیک ها در اندازه های مختلف پنجره، توزیع های مختلفی را نشان می دهند، که ممکن است درجات مختلفی از اطلاعات را برای مدل یادگیری عمیق زیر فراهم کند. در این مطالعه، ما از هفت اندازه پنجره بر روی نمونه‌های بدخیم کولورکتال برای استخراج اوج شدت‌ها استفاده کردیم (شکل 3a-g). با افزایش اندازه پنجره، توزیع شدت در بعد m/z ظریف تر شد. پس از آن، نمونه‌های خوش‌خیم و بدخیم یکسانی را در هر اندازه پنجره پیش‌بینی کردیم و داده‌های باقی‌مانده با همان درمان در آموزش (روش‌های تفصیلی در روش‌های تجربی) استفاده شد. نتیجه (شکل 3h) نشان می‌دهد که دقت پیش‌بینی با کاهش مناسب اندازه پنجره بهبود می‌یابد، که نشان می‌دهد 28 × 28 (مجموع 784 پنجره) یا 32 × 32 (مجموع 1024 پنجره) می‌تواند برای داده‌های این تومور مناسب‌تر باشد و نشان می‌دهد کهکه اندازه پنجره های خیلی کوچک یا خیلی بزرگ برای بررسی تفاوت بین نمونه های معمولی و سرطانی مناسب نیستند.

تشخیص الگو

تشخیص الگو به کشف خودکار نظم ها در داده های مختلف از طریق استفاده از الگوریتم های رایانه ای و استفاده از این نظم ها برای انجام اقداماتی مانند طبقه بندی داده ها مربوط می شود. ما کاملاً معتقدیم که پروفایل های متنوعی در نمونه های طبیعی و سرطانی وجود دارد. علاوه بر این، ثبت این الگوها در هزاران طیف جرمی و نمایش توزیع متفاوت بسیار امکان پذیر است. شکل 4 تمایز قابل توجهی را بین نمونه خوش خیم و نمونه سرطان کولورکتال در ابعاد m/z یا در طول دوره نگهداری نشان می دهد. به طور کلی، نقشه‌های حرارتی نشان می‌دهند که شدت اوج در نمونه‌های بدخیم بسیار بیشتر از نمونه‌های خوش‌خیم است، که به این معنی است که پروتئوم به شدت در تومور بی‌ثبات می‌شود. از نقطه نظر m/z و زمان ماند، منحنی‌های چگالی احتمال در نمونه‌های خوش‌خیم بسیار سازگارتر و منظم‌تر هستند، در حالی که توزیع شدت در نمونه‌های بدخیم ناپایدار و غیر ثابت است. سایر داده‌های تومور نیز نتایج مشابهی را نشان داده‌اند که کاربران می‌توانند از طریق نرم‌افزار MSpectraAI به راحتی آن‌ها را تکرار کنند.

تشخیص الگوی برای یک نمونه خوش خیم و نمونه سرطان کولورکتال B در ابعاد M/z یا زمان احتباس. مپ های گرما توزیع شدت محاسبه شده از فرمول (1) را نشان می دهد ، جایی که رنگ از ویریدیس عمیق به زرد عمیق به معنای تغییر مقادیر شدت از کم به بزرگ است. توطئه های چگالی توزیع هر کانال را نشان می دهد (به عنوان مثال توطئه های چگالی مناسب توزیع شدت 790-810 را در ابعاد M/z نشان می دهد ، توطئه های چگالی بالا توزیع شدت 3990-4010 را در طول زمان نگهدارنده نشان می دهد)

عملکرد کلی تشخیص الگوی mspectraai

پس از انتخاب اندازه پنجره مناسب و تعیین تفاوت الگو، تجزیه و تحلیل داده های هر شش نوع تومور را به طور مستقل آغاز کردیم. عملکرد MSpectraAI عمدتا با سه عامل زیر نشان داده می شود: (1) امتیاز F1، (2) منحنی ROC، و (3) چند طبقه بندی.(1) امتیاز F1 به عنوان معیاری برای دقت هر نمونه استفاده می شود. نمودار حباب در شکل 5a توزیع امتیاز F1 طیف جرمی MS1 (که با نقطه مشخص شده است) و طیف جرمی MS2 (با مثلث مشخص شده) را در هر نوع تومور نشان می دهد. همانطور که نشان داده شده است، رنگ ها و اندازه های نقاط تقریبی یا برتر از مثلث ها هستند، که نشان می دهد پیش بینی هر نمونه در هنگام استفاده از داده های MS1 دقیق تر است.(2) منحنی ROC عملکرد مشکل طبقه بندی را در تنظیمات آستانه مختلف اندازه گیری می کند و برای هر نوع تومور بر اساس داده های MS1 (شکل 5b) و داده های MS2 (شکل 5c) تجزیه و تحلیل شد. با استفاده از همان مدل طبقه بندی DNN ساخته شده محاسبه شد. تمام مقادیر AUC استنتاج شده از داده های MS1 (میانگین 0. 967) بزرگتر از مقادیر استنتاج شده از داده های MS2 (میانگین 0. 872) بود. شکل 5d دقت پیش‌بینی هر داده نوع تومور را نشان می‌دهد و تأیید می‌کند که طیف MS1 ممکن است حاوی اطلاعات بیشتری از تومور باشد.(3) MSpectraAI همچنین از کاربران برای تجزیه و تحلیل نمونه های چند کلاسه به جای یک مشکل دو دسته ای پشتیبانی می کند. نقشه حرارتی در شکل 5e احتمال پیش بینی هر نمونه محاسبه شده با استفاده از داده های MS1 را در یک حالت درمان نشده (کلاس 1) و دو حالت درمان دارویی سرطان ریه سلول غیر کوچک (کلاس 2 و 3) نشان می دهد [28]. دقت کلی در تمام نمونه‌ها 0. 89 است، در حالی که احتمال پیش‌بینی دو نمونه اشتباه پیش‌بینی‌شده نسبتاً نزدیک به برچسب‌های واقعی است. به عنوان مثال، برچسب واقعی نمونه R6 کلاس 1 است در حالی که برچسب پیش بینی شده در کلاس 2 قرار می گیرد (0. 526 در مقابل 0. 437 احتمال در کلاس 1)، که نشان می دهد که روش اکتساب داده MS یا مدل های DNN ممکن است نیاز به بهینه سازی مکرر برای چنین مواردی داشته باشد. نمونه های پیچیده

توزیع امتیاز F1 طیف جرمی MS1 (با نقطه مشخص شده) و طیف جرمی MS2 (با مثلث مشخص شده) در هر نمونه. منحنی‌های ROC برای هر نوع تومور با استفاده از داده‌های MS1 و داده‌های c MS2 محاسبه می‌شوند. د دقت پیش‌بینی داده‌های هر نوع تومور. نقشه حرارتی احتمال پیش‌بینی چندطبقه‌بندی هر نمونه (کلاس 1: نمونه‌های عادی؛ کلاس‌های 2 و 3: دو شرایط مختلف درمان نمونه‌های سرطان ریه سلول غیرکوچک)

علاوه بر این ، از یک طرف ، از نتایج مقایسه بین Mspectraai و سایر الگوریتم های یادگیری ماشین (جدول 2) ، دقت و همچنین حساسیت نسبی ، دقت و نمره F1 از MSPectraai بر اساس داده های MS1 به طور کلی بالاتر از نمونه های به دست آمده استاز نتایج منتشر شده که در آن نویسندگان پروتئین های شناسایی شده را به عنوان ویژگی های مدل انتخاب کرده اند تا نمونه های طبیعی و سرطان را متمایز یا پیش بینی کنند [25] ، از طرف دیگر ، در مقایسه با حالت "MaxQuant + DNN" ، همه نتایج (جدول 3) نشان می دهداین mspectraai هنوز هم در پیش بینی نمونه های بالینی پیچیده (به جز داده های سرطان روده بزرگ به دلیل کیفیت پایین داده های ماتریس پروتئین) عملکردی مشابه یا حتی برتر را حفظ می کند.

جدول 2 مقایسه عملکرد بین mspectraai و سایر انواع مختلف الگوریتم های یادگیری ماشین در مجموعه داده های مختلف

جدول 3 مقایسه عملکرد بین mspectraai و رویکرد کلاسیک با استفاده از حالت MaxQuant + DNN در مجموعه داده های متنوع

بحث

استراتژی تجزیه و تحلیل داده های متعارف مربوط به بیان دقیق پروتئین در نمونه های بیولوژیکی است ، و اطلاعات مفصلی را برای فرآیند بیولوژیکی و تجزیه و تحلیل مسیر ارائه می دهد [33 ، 34]. این پروتئین های رمزگشایی شده برای روشن شدن مکانیسم بیولوژیکی و کشف نشانگرهای زیستی برای طبقه بندی نمونه بسیار مفید هستند [35]. با این حال ، شناسایی پروتئین ، تجزیه و تحلیل عملکردی و اعتبار سنجی مراحل محدود کننده زمان برای استفاده پایین دست پروتئومیکس است. Mspectraai می تواند از ده تا صد هزار ویژگی طیفی چند بعدی در هر پرونده خام خریداری شده بدون رمزگشایی آنها در پروتئین ها اما طبقه بندی دقیق استفاده کند. بنابراین ، mspectraai پتانسیل زیادی در پزشکی دقیق از جمله غربالگری بیماری ، تشخیص ، پیش آگهی ، پاسخ به درمان و مدیریت سلامت نشان می دهد. علاوه بر این ، اگرچه تمام داده های ProteomexChange از آزمایشگاههای مختلف با روشهای مختلف آماده سازی نمونه به دست آمد ، MSPectraai هنگام استفاده از یک مدل DNN برای تجزیه و تحلیل ویژگی های داده ، انعطاف پذیری عالی را نشان می دهد و پیش بینی های دقیقی را در مقایسه با نتایج منتشر شده انجام می دهد (جدول 2). علاوه بر این ، با وجود مدل مشابه DNN مورد استفاده ، عملکرد از حالت "MaxQuant + DNN" از MSPECTRAAI (جدول 3) بدتر بود ، که ممکن است به دلیل تناسب بیش از حد به عنوان ابعاد پروتئین (پیش بینی کننده ها) به دست آمده از MaxQuant باشد. بسیار پایین تر از آن است که از داده های طیفهای جرم خام حاصل می شود و نشان می دهد که کاربران باید مشکل بیش از حد مناسب را در نظر بگیرند و تأثیر آن را در دقت پیش بینی هنگام تجزیه و تحلیل داده های کم بعدی (به عنوان مثال داده های ماتریس شدت پروتئوم) با یک مدل DNN ارزیابی کنند. علاوه بر این ، هنوز هم محدودیت هایی در این رویکرد وجود دارد ، مانند هنگام تجزیه و تحلیل نمونه های در مقیاس بزرگ ، شرایط آزمایش باید در کل فرایند تحقیق یکسان/سازگار باشد ، به عنوان مثال. شرایط LC از جمله تعداد ستون ، لوله PEEK ، زمان شیب و غیره و پارامترهای طیف سنج جرمی شامل محدوده MS1 ، هدف AGC ، حداکثر زمان تزریق یون و غیره (پرونده اضافی 1: جدول S2) ، که می تواند بر قوام داده ها و صحت تأثیر بگذارداین پیش بینی ابزاربنابراین ، ارزشمند است که این نکته را بیان کنیم که وقتی داده های خام MS جدید برای تجزیه و تحلیل پیش بینی در همان مورد در مدل DNN موجود درج می شوند ، پیشنهاد می شود که داده های MS با استفاده از پارامترهای LC و MS یکسان/سازگار به دست بیایند. به عنوان روشی برای تشخیص پروفایل طیف ،

زمان جداسازی LC بسیار کوتاه‌تر ممکن است برای تکمیل کار کافی باشد، بنابراین هزینه و زمان جمع‌آوری داده‌های MS تا حد زیادی کاهش می‌یابد.

علاوه بر این، کاربرانی که داده های خود را با MSpectraAI تجزیه و تحلیل می کنند، می توانند چندین جنبه را به تنهایی بهبود بخشند. اولاً، می‌توان تغییراتی را در روش DDA انجام داد، به‌عنوان مثال، در هر چرخه وظیفه DDA یک طیف‌سنج جرمی، اسکن‌های MS2 بر اساس یون‌های پیش‌ساز متفاوت تولید می‌شوند [36، 37] که منجر به عدم قطعیت بیشتر و نتایج رضایت‌بخش می‌شود. بنابراین، کسب طیف MS2 ممکن است پس از هر اسکن کامل در مدل DDA برای تجزیه و تحلیل MSpectraAI ضروری نباشد. دوم، طیف واجد شرایط MS2 را می توان برای برنامه MSpectraAI به دست آورد. به این معنا که روش‌های مختلف جمع‌آوری داده‌ها، مانند DIA [24]، می‌تواند برای گردش کار تحلیلی مشابه انجام شود. با این حال، تجزیه و تحلیل نسبی می‌تواند پیچیده‌تر شود و یک الگوریتم پیچیده‌تر یا مدل DNN ممکن است نیاز به توسعه پیچیده‌تری برای استخراج ویژگی‌ها یا پیش‌بینی چنین داده‌هایی داشته باشد. سوم، الگوریتمی وجود ندارد که کاربران بتوانند اندازه پنجره مناسب را به طور خودکار در این کار انتخاب کنند. با این وجود، از نتایج ما (شکل 3)، می‌توانیم نکاتی را مشاهده کنیم که اندازه پنجره‌های خیلی کوچک یا خیلی بزرگ، انتخاب خوبی برای بررسی تفاوت بین نمونه‌های معمولی و نمونه‌های سرطانی نیست، که می‌تواند به عنوان مرجعی برای تجزیه و تحلیل داده‌های کاربران باشد.. چهارم، چند طبقه بندی را می توان برای نمونه های نوع مشابه انجام داد. بسیاری از بیماری ها را می توان بر اساس ویژگی های خاص به زیرگروه های مربوطه تقسیم کرد. این برای درمان متوالی و پیش آگهی بسیار مهم است. MSpectraAI به کاربران اجازه می دهد تا داده های چند دسته ای (شکل 5e) را با توجه به مدل های داخلی DNN پردازش کنند. با این حال، با افزایش تعداد دسته ها، پیش بینی صحیح چالش برانگیز خواهد بود. آموزش داده‌ها برای هر دسته داده از نمونه‌هایی با فنوتیپ‌های مشخص، چند طبقه‌بندی را روشن می‌کند.

نتیجه گیری

در این مطالعه ، ما یک بستر منبع باز و جامع به نام Mspectraai را برای تجزیه و تحلیل در مقیاس بزرگ داده های طیف سنجی خام خام با شبکه های عصبی عمیق تهیه می کنیم. این نرم افزار به طور خودکار می تواند با استفاده از رویکرد خانگی ما (ویژگی استخراج Swath) ، پروفایل طیف های جرمی را استخراج و رمزگشایی کند و علاوه بر این تفاوت های الگوی را با اندازه پنجره مناسب بین نمونه های طبیعی و تومور ، حتی در بین نمونه های چند برچسب ، با روش یادگیری عمیق متمایز کند. نتایج نشان می دهد که mspectraai می تواند هنگام استفاده از طیف MS1 نسبت به آن (به طور متوسط 0. 872) هنگام استفاده از طیف MS2 ، به دقت پیش بینی بهتر (میانگین 0. 967) برسد و عملکرد بهتری را در مقایسه با سایر روشهای یادگیری ماشین کلاسیک ارائه دهد. در طول این کار ، ما پیش بینی می کنیم که mspectraai می تواند به طور گسترده ای برای تجزیه و تحلیل متابولیک یا داده های NMR اعمال شود و می تواند به دانشمندان یا پزشکان نسبی کمک کند تا نمونه های پیچیده تری را به راحتی با توسعه بیشتر آن تجزیه و تحلیل کنند.

در دسترس بودن داده ها و مواد

مجموعه داده های مورد تجزیه و تحلیل در طول مطالعه حاضر در کنسرسیوم ProteomexChange ، https://www. proteomexchange. org موجود است ، شناسه های PXD در پرونده اضافی 1: جدول S1 خلاصه می شوند. کد منبع در: https://github. com/wangshisheng/mspectraai در دسترس است.

در دسترس بودن و الزامات

نام پروژه: mspectraai. صفحه اصلی پروژه: https://github. com/wangshisheng/mspectraai. سیستم عامل (های): ویندوز ، لینوکس ، سیستم عامل Mac. زبان برنامه نویسی: R. سایر الزامات: R بسته های براق ، Keras ، GGPLOT2 و غیره مجوز: GNU عمومی مجوز عمومی v3. 0. هرگونه محدودیتی برای استفاده توسط غیر دانشگاهی: مجوز مورد نیاز.

مخفف

کروماتوگرافی مایع همراه با طیف سنجی جرمی

دستیابی به داده ها

داده های جمع آوری مستقل

طیف جرمی کامل اسکن

طیف جرمی اسکن یون قطعه

دستگاه بردار پشتیبانی

تابع پایه شعاعی

شبکه های عصبی مصنوعی

شبکه های عصبی حلقوی

شبکه های عصبی مکرر

شبکه های عصبی عمیق

ویژگی عامل گیرنده

منطقه زیر منحنی

منابع

لکر SH ، گلدبرگ آل ، میچ WE. تخریب پروتئین توسط مسیر ubiquitin-proteasome در حالت های طبیعی و بیماری. J Am Soc Nephrol Jasn. 2006 ؛ 17 (7): 1807-19.

Jo JH ، Kennedy EA ، Kong HH. تفاوت های توپوگرافی و فیزیولوژیکی مایکوبیوم پوست در سلامت و بیماری. حدت2017 ؛ 8 (3): 324-33.

Liang M ، Li Z ، Chen T ، Zeng J. تجزیه و تحلیل داده های یکپارچه از داده های سرطان چند پلتفرم با یک رویکرد یادگیری عمیق چند حالته. IEEE/ACM Trans Comput Biol Bioinf. 2015 ؛ 12 (4): 928-37.

Krone N ، Hughes BA ، Lavery GG ، Stewart PM ، Arlt W ، Shackleton CH. کروماتوگرافی گازی/طیف سنجی جرمی (GC/MS) یک ابزار کشف پیش از برجسته در تحقیقات بالینی استروئید حتی در عصر طیف سنجی جرمی پشتی کروماتوگرافی مایع سریع (LC/MS/MS) است. J استروئید بیوشیم مول بیول. 2010 ؛ 121 (3-5): 496-504.

Peng J ، Elias JE ، Thoreen CC ، Licklider LJ ، Gygi sp. ارزیابی کروماتوگرافی چند بعدی همراه با طیف سنجی جرمی پشت سر هم (LC/LC-MS/MS) برای تجزیه و تحلیل پروتئین در مقیاس بزرگ: پروتئوم مخمر. J Proteome Res. 2003 ؛ 2 (1): 43-50.

Wang S ، Chen X ، Dan D ، Zheng W ، Hu L ، Yang H ، Cheng J ، Gong M. Metabogroup S: یک بستر وب مبتنی بر آنتروپی برای ارزیابی روشهای عادی سازی در داده های متابولیک خون از بیماران همودیالیز نگهداری. شیمیایی مقعد. 2018 ؛ 90 (18): 11124-30.

Cox J ، Mann M. MaxQuant نرخ شناسایی پپتید بالا ، دقت و دقت جرم P. P. B. و اندازه گیری پروتئین گسترده پروتئوم را امکان پذیر می کند. Nat Biotechnol. 2008 ؛ 26 (12): 1367-72.

Ma B ، Zhang K ، Hendrie C ، Liang C ، Li M ، Doherty-Kirby A ، Lajoie G. Peaks: نرم افزار قدرتمند برای توالی پپتید de novo توسط طیف سنجی جرمی پشت سر هم. Rapid Commun Commun Commun Rcm. 2003 ؛ 17 (20): 2337-42.

Brosch M ، Yu L ، Hubbard T ، Choudhary J. شناسایی پپتید دقیق و حساس با Percolator Mascot. J Proteome Res. 2009 ؛ 8 (6): 3176-81.

Koletsi D ، Pandis N. رگرسیون لجستیک معمولی. Am J ارتودنسی Dentofac ارتوپد. 2018 ؛ 153 (1): 157-8.

Altman NS. مقدمه ای برای رگرسیون غیر پارامتری هسته و نزدیکترین همسایه. آمار1992 ؛ 46 (3): 175-85.

چانگ C-C ، Lin C-J. libsvm: کتابخانه ای برای دستگاه های بردار پشتیبانی. ACM Trans Inticle Syst Technol (TIST). 2011 ؛ 2 (3): 27.

Ben-Haim Y ، Tom-Tov E. الگوریتم درخت تصمیم موازی جریان. J Mach Learn Res. 2010 ؛ 11 (فوریه): 849-72.

Trier OD ، Jain AK ، مالیات T. روشهای استخراج ویژگی برای تشخیص شخصیت-بررسی. به رسمیت شناختن الگوی1996 ؛ 29 (4): 641-62.

Schmidhuber J. یادگیری عمیق در شبکه های عصبی: یک مرور کلی. netw عصبی. 2015 ؛ 61: 85–117.

Seide F ، Li G ، Chen X ، Yu D. مهندسی ویژگی در شبکه های عصبی عمیق وابسته به متن برای رونویسی گفتار مکالمه. در: کارگاه IEEE 2011 در مورد تشخیص و درک گفتار خودکار (ASRU) ؛2011. IEEE ، صص 24-29.

Quang D ، Xie X. Danq: یک شبکه عصبی عمیق ترکیبی و مکرر برای تعیین عملکرد توالی DNA. اسیدهای نوکلئیک Res. 2016 ؛ 44 (11): E107.

Szegedy C ، Toshev A ، Erhan D: شبکه های عصبی عمیق برای تشخیص شی. در: مجموعه مقالات بیست و یکمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی ، جلد. 2. Lake Tahoe ، Nevada: Curran Associates Inc ؛2013. صص 2553-61.

Deutsch EW ، Csordas A ، Sun Z ، Jarnuczak A ، Perez-Riverol Y ، Ternent T ، Campbell DS ، Bernal-Llinares M ، Okuda S ، Kawano S ، et al. کنسرسیوم ProteomexChange در سال 2017: حمایت از تغییر فرهنگی در رسوب داده های عمومی پروتئومیکس. اسیدهای نوکلئیک Res. 2017 ؛ 45 (D1): D1100-6.

Ihaka R ، Gentleman R. R: زبانی برای تجزیه و تحلیل داده ها و گرافیک. J Compute Graph Stat. 1996 ؛ 5 (3): 299-314.

Kalli A ، Smith GT ، Sweredoski MJ ، Hess S. ارزیابی و بهینه سازی تنظیمات طیف سنجی جرمی در حالت دستیابی به داده ها: تمرکز بر روی آنالایزرهای توده LTQ-Orbitrap. J Proteome Res. 2013 ؛ 12 (7): 3071-86.

او L ، Diedrich J ، Chu Y-Y ، Yates Jr III. استخراج اطلاعات دقیق پیشرو برای طیفهای جرمی پشت سر هم توسط RawConverter. شیمیایی مقعد. 2015 ؛ 87 (22): 11361-7.

Adusumilli R ، Mallick P. تبدیل داده ها با Proteowizard MsConvert. در: Comai L ، Katz JE ، Mallick P ، ویراستاران. پروتئومیک: روش ها و پروتکل ها. نیویورک ، نیویورک: اسپرینگر ؛2017. صص 339-68.

Gillet LC ، Navarro P ، Tate S ، Röst H ، Selevsek N ، Reiter L ، Bonner R ، Aebersold R. استخراج داده های هدفمند از طیف های MS/MS تولید شده توسط کسب مستقل داده: یک مفهوم جدید برای تجزیه و تحلیل پروتئوم مداوم و دقیق. پروتئومیک سلول مول. 2012 ؛ 11 (6): O111. 016717.

Carnielli CM ، Macedo CCS ، De Rossi T ، Granato DC ، Rivera C ، Domingues RR ، Pauletti BA ، Yokoo S ، Heberle H ، Busso-Lopes AF ، et al. ترکیب کشف و پروتئومیک هدفمند ، امضای پیش آگهی در سرطان دهان را نشان می دهد. ارتباطات نات. 2018 ؛ 9 (1): 3598.

Zagorac I ، Fernandez-Gaitero S ، Penning R ، Post H ، Bueno MJ ، Mouron S ، Manso L ، Morente MM ، Alonso S ، Serra V. in vivo phosphoproteomics پروفایل فعالیت کیناز را نشان می دهد که نتیجه درمان در سرطان پستان منفی سه گانه را پیش بینی می کند. ارتباطات نات. 2018 ؛ 9 (1): 3501.

Bohnenberger H ، Kaderali L ، Ströbel P ، Yepes D ، Plessmann U ، Dharia NV ، Yao S ، Heydt C ، Merkelbach-Bruse S ، Emmert A. پروتئومیک مقایسه ای یک امضای تشخیصی برای متاستاز سرطان سر و گردن ریوی را نشان می دهد. Embo Mol Med. 2018 ؛ 10 (9): E8428.

Wiredja DD ، Ayati M ، Mazhar S ، Sangodkar J ، Maxwell S ، Schlatzer D ، Narla G ، Koyutürk M ، Chance MR. پروفایل فسفوپروتئومیک سلولهای سرطانی ریه سلول غیر ماله تحت درمان با یک فعال کننده فسفاتاز جدید. پروتئومیک2017 ؛ 17 (22): 1700214.

جین جی ، پسر م ، کیم H ، کیم H ، کنگ S-H ، کیم HK ، کیم Y ، هان D. تجزیه و تحلیل پروتئومیک مقایسه مایعات آسیتی بدخیم انسان برای توسعه نشانگرهای سرطان معده. کلینیک بیوشیم. 2018 ؛ 56: 55-61.

Löffler MW ، Kowalewski DJ ، Backert L ، Bernhardt J ، Adam P ، Schuster H ، Dengler F ، Backes D ، Kopp H-G ، Beckert S ، et al. نقشه برداری از لیگاندوم HLA سرطان کولورکتال ، اثری از تحول بدخیم سلول را نشان می دهد. سرطان Res. 2018 ؛ 78 (16): 4627.

Kearns M ، Ron D. پایداری الگوریتمی و محدودیت های چک با عقل برای اعتبارسنجی متقاطع مرخصی. رایانه عصبی. 1999 ؛ 11 (6): 1427-53.

Sing T ، Sander O ، Beerenwinkel N ، Lengauer T. Rocr: تجسم عملکرد طبقه بندی کننده در R. Bioinformatics. 2005 ؛ 21 (20): 3940-1.

Liu Y ، Borel C ، Li L ، Müller T ، Williams EG ، Germain P-L ، Buljan M ، Sajic T ، Boersema PJ ، Shao W. پروتئوم سیستماتیک و پروفایل پروتئین در تریزومی انسانی 21 سلول فیبروبلاست. ارتباطات نات. 2017 ؛ 8 (1): 1212.

Zhang B ، Verberkmoes NC ، Langston MA ، Uberbacher E ، Hettich RL ، Samatova NF. تشخیص پروتئین دیفرانسیل و همبسته در پروتئومیک اسلحه بدون برچسب. J Proteome Res. 2006 ؛ 5 (11): 2909-18.

Villmann T ، Schleif F-M ، Kostrzewa M ، Walch A ، Hammer B. طبقه بندی داده های طیف سنجی جرم در پروتئومیک های بالینی با استفاده از روش های کمیت وکتور یادگیری. بیوان شکل مختصر. 2008 ؛ 9 (2): 129-43.

Yan Z ، Caldwell GW ، Maher N. غربالگری بی طرفانه با توان بالا از متابولیت های واکنشی در طیف سنج جرمی تله یون خطی با استفاده از سوئیچ قطبی و برچسب جرم باعث دستیابی به داده ها شد. شیمیایی مقعد. 2008 ؛ 80 (16): 6410–22.

Bauer M ، Ahrné E ، Baron AP ، Glatter T ، Fava LL ، Santamaria A ، Nigg EA ، Schmidt A. ارزیابی گردش کار طیف سنجی جرمی وابسته به داده ها و مستقل برای تعیین کمیت حساس پروتئین ها و سایت های فسفوریلاسیون. J Proteome Res. 2014 ؛ 13 (12): 5973-88.

سپاسگزاریها

به خصوص ، ما با تشکر از دکتر چنگپین شن (OMICSolution) برای پیکربندی سرور شبکه و یی ژونگ (بیمارستان چین غربی ، دانشگاه سیچوان) برای بازخورد در مورد نرم افزار و بحث های مفید تشکر می کنیم.

منابع مالی

HY توسط بنیاد ملی علوم طبیعی چین (گرانت شماره 81871475) پشتیبانی شد و JC توسط پروژه 1. 3. 5 برای رشته های تعالی ، بیمارستان چین غربی ، دانشگاه سیچوان ، سیچوان ، چین (Zygd18014) پشتیبانی شد. سرمایه گذاران هیچ نقشی در طراحی مطالعه و جمع آوری ، تجزیه و تحلیل و تفسیر داده ها و نوشتن نسخه خطی نداشتند.

اطلاعات نویسنده

شیشنگ وانگ و هونگوین زو به طور مساوی در این کار نقش داشته اند.

نویسندگان و وابستگی ها

میتوکندری و مرکز تحقیقات متابولیسم غربی چین واشنگتن ؛آزمایشگاه کلیدی مهندسی پیوند و ایمو-نگولوژی ، MOH ، مرکز تحقیقات پزشکی احیا کننده ، بیمارستان چین غربی ، دانشگاه سیچوان ، شماره 88 ، جاده جنوبی Keyuan ، منطقه Hi-Tech ، چنگدو ، 610041 ، چین

Shisheng Wang ، Jingqiu Cheng & Hao Yang