Идентификация пептидов в независимой от сбора данных масс-спектрометрии с помощью глубоких нейронных сетей

Масс-спектрометрия — это метод анализа, используемый для количественного и качественного определения структуры молекул, который широко используется в таких областях, как медицина, косметология, морские науки и других. Он был предложен более 100 лет назад, но продолжает совершенствоваться вместе с развитием компьютерных технологий. Масс-спектрометры производят огромное количество информации, которую необходимо анализировать и хранить, и исследователи предлагают различные подходы к получению и предварительной обработке данных масс спектрометров. Значимым достижением в этой области является независимая от данных масс-спектрометрия (data independent acquisition, DIA), которая сводит к минимуму потерю данных при анализе и выглядит многообещающе в повышении качества идентификации пептидов. Однако это также увеличивает размер и сложность данных, но в связи с быстрым научно-техническим развитием человечества эта проблема становится всё менее существенной, а интерес исследователей к независимой от данных масс-спектрометрии возрастает. Использование алгоритмов машинного обучения и глубоких нейронных сетей в вычислительной биологии предлагает многообещающее развитие анализа спектральных данных. Данные масс-спектрометрии склонны к внезапным появлениям и исчезновениям спектральных ионов, но в то же время из-за своей химической природы они имеют множество связанных компонентов, которые нейронные сети могут обобщать и находить скрытые закономерности. Целью данной работы является разработка сверточной нейронной сети для предварительной обработки DIA спектров, которая позволит повысить качество идентификации пептидов. Для этого были изучены и использованы основные методы и инструменты MS-анализа наряду с обучением модели. В работе представлены результаты экспериментов по обучению модели с различными параметрами на наборе данных DIA, состоящем из масс-спектрометрических экспериментов с Saccharomyces cerevisiae (пекарские дрожжи), которые помогли улучшить качество идентификации пептидов для данных низкого разрешения.