| 肽段的理论串联质谱图预测方法研究进展 |
| |
| 引用本文： | 周撷璇,任睿,高婉铃,黄运有,曾文锋,孔德飞,郝天舒,张知非,詹剑锋.肽段的理论串联质谱图预测方法研究进展[J].生物化学与生物物理进展,2019,46(2):169-180. |
| |
| 作者姓名： | 周撷璇 任睿 高婉铃 黄运有 曾文锋 孔德飞 郝天舒 张知非 詹剑锋 |
| |
| 作者单位： | 中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049,中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049,中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049,中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049,中国科学院计算技术研究所,中国科学院智能信息处理重点实验室,北京 100190；中国科学院大学, 北京 100049,中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049,中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049,首都医科大学生理学与病理生理学系,北京 200031,中国科学院计算技术研究所,中国科学院计算机体系结构国家重点实验室,北京 100190；中国科学院大学, 北京 100049 |
| |
| 基金项目： | 国家重点研究发展计划（2016YFB1000605)资助项目. |
| |
| 摘 要： | 基于串联质谱技术的蛋白质组学已经成为生命科学领域的重要工具,其中肽段的理论串联质谱图(通常也被称为二级谱图)预测问题在近年来广受关注.大量高质量质谱数据的积累和计算技术的发展为此问题的解决提供了有效途径.肽段的理论二级谱图预测的方法可以分为两大类,一类是基于物理模型的方法,即基于移动质子模型的方法,例如MassAnalyzer、MS-Simulator;另一类是基于机器学习的方法,包括集成学习相关算法和基于神经网络的方法,例如PeptideART、MS2PIP、MS2PBPI和p Deep等.本文对这两大类方法进行了整理和综述,并简要指出了目前理论谱图预测方法存在的一些不足,展望了未来的发展方向.
|
| 关 键 词： | 质谱 蛋白质组学 移动质子模型 机器学习 深度学习 |
| 收稿时间： | 2018/7/18 0:00:00 |
| 修稿时间： | 2018/12/3 0:00:00 |
Trends on Methods for Prediction of Tandem Mass Spectra of Peptides |
| |
| ZHOU Xie-Xuan,REN Rui,GAO Wan-Ling,HUANG Yun-You,ZENG Wen-Feng,KONG De-Fei,HAO Tian-Shu,ZHANG Zhi-Fei and ZHAN Jian-Feng.Trends on Methods for Prediction of Tandem Mass Spectra of Peptides[J].Progress In Biochemistry and Biophysics,2019,46(2):169-180. |
| |
| Authors: | ZHOU Xie-Xuan REN Rui GAO Wan-Ling HUANG Yun-You ZENG Wen-Feng KONG De-Fei HAO Tian-Shu ZHANG Zhi-Fei and ZHAN Jian-Feng |
| |
| Institution: | State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences,Institute of Computing Techology(ICT), Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China,Department of Physiology and Pathophysiology,Capital Medical University,Beijing 100069,China,State Key Laboratory of Computer Architecture,Institute of Computing Technology(ICT),Chinese Academy of Sciences(CAS),Beijing 100190,China;University of Chinese Academy of Sciences,Beijing 100049,China |
| |
| Abstract: | |
| |
| Keywords: | mass spectrometry proteomics mobile proton model machine learning deep learning |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《生物化学与生物物理进展》浏览原始摘要信息 |
| 点击此处可从《生物化学与生物物理进展》下载免费的PDF全文 |
|
