Обучение генеративных вероятностных моделей для распознавания данных масс-спектрометрииLearning generative probabilistic models for mass spectrometry data identification

Масс-спектрометрия используется для изучения и идентификации молекул в биологических образцах. Неправильная аннотация масс-спектра может привести к тому, что будут сделаны ложные выводы о результатах экспериментов и, как следствие, приняты неверные решения, например, при выборе правильной лекарственной терапии. В связи с этим важно иметь надежные и точные методы для аннотирования и идентификации масс-спектров, в независимости от протокола эксперимента. В ходе диссертационного исследования был разработан новый интерпретируемый метод BoltzMatch, основанный на стохастической нейронной сети. Предложен новый непараметрический метода калибровки рейтингов Tailor для обеспечения сопоставимости рейтингов между масс-спектрами. Разработан новый метод диверсифицирующей регуляризации, помогающей при обучении произвольных глубоких стохастических нейронных сетей. Показано, что методы машинного обучения могут переобучаться на данных масс-спектрометрии, в результате чего происходит смещение оценок из-за переусложнения модели.