比利时VIB-UGent医学生物技术中心Lennart Martens课题组的最新研究表明DeepLC可预测携带未知修饰肽段的保留时间。这一研究成果发表在2021年10月28日出版的国际学术期刊《自然-方法学》上。
研究人员研发了DeepLC，这是一个使用基于原子组成的肽编码深度学习方式来预测肽保留时间的预测器，可以准确预测（以前未知的）修饰肽的保留时间。研究表明，DeepLC的性能与当前最先进的未修饰肽方法相似，更重要的是，其可以准确预测数据库中未知修饰肽的保留时间。
此外，研究人员展示了DeepLC预测任何修饰保留时间的能力，可以在各种蛋白质组数据的公开搜索中标记潜在的错误识别。
研究人员表示，预测包含肽的保留时间有望消除复杂液相色谱-质谱鉴定工作流程中肽鉴定的模糊性。然而，由于当前预测模型中肽的编码方式，无法预测修饰肽的准确保留时间。这对于刚刚起步的开放搜索造成问题，而修饰肽的准确保留时间预测可减少鉴别错误，这将有利于解决该问题。
附：英文原文
Title: DeepLC can predict retention times for peptides that carry as-yet unseen modifications
Author: Bouwmeester, Robbin, Gabriels, Ralf, Hulstaert, Niels, Martens, Lennart, Degroeve, Sven
Issue&Volume: 2021-10-28
Abstract: The inclusion of peptide retention time prediction promises to remove peptide identification ambiguity in complex liquid chromatography–mass spectrometry identification workflows. However, due to the way peptides are encoded in current prediction models, accurate retention times cannot be predicted for modified peptides. This is especially problematic for fledgling open searches, which will benefit from accurate retention time prediction for modified peptides to reduce identification ambiguity. We present DeepLC, a deep learning peptide retention time predictor using peptide encoding based on atomic composition that allows the retention time of (previously unseen) modified peptides to be predicted accurately. We show that DeepLC performs similarly to current state-of-the-art approaches for unmodified peptides and, more importantly, accurately predicts retention times for modifications not seen during training. Moreover, we show that DeepLC’s ability to predict retention times for any modification enables potentially incorrect identifications to be flagged in an open search of a wide variety of proteome data.
DOI: 10.1038/s41592-021-01301-5
Source: https://www.nature.com/articles/s41592-021-01301-5
Nature Methods：《自然—方法学》，创刊于2004年。隶属于施普林格·自然出版集团，最新IF：47.99
官方网址：https://www.nature.com/nmeth/
投稿链接：https://mts-nmeth.nature.com/cgi-bin/main.plex
本期文章：《自然—方法学》：Online/在线发表
