基于机器学习的定量肽段优选研究

Mass spectrometry (MS) based quantification is a powerful tool in biological research, featuring high sensitivity and throughput in differential protein determination over a variety of pathologic and physiologic conditions. Peptide extracted ion chromatogram (XIC, MS1) and multiple reaction monitoring (MRM, MS2) modes are commonly employed in quantitative proteomics. The key to successful MS1 and MS2 experiments is the selection of superior peptide/transition responders combining satisfactory MS response intensity and linearity in a wide dynamic range. Several tools and databases have been developed to identify these responders. However, the majority of these tools is based on predictive models derived from a small amount of data and rarely considers the linearity of the response curve, limiting the accuracy and applicability of the quantification strategies. In this project, we will construct a linear peptide judgement and prediction model, based on experimental database of linear MS response curves experiment. Machine learning methods will be adopted. This research will provide a useful model for MS1 and MS2 targeted proteome quantification, rendering quantitative proteomics a more convenient and accurate tool for biological research.

准确的蛋白定量是精确描述生物体物质调控过程的基础。质谱具备高敏感度和高通量的特性，可以对生理或病理条件下蛋白表达量及变化进行高通量检测。在基于一级质谱的离子流色谱峰模式和基于二级质谱碎片离子的多反应监测模式中，通常都利用肽段/碎片的谱峰面积代表蛋白的实际量，因此定量肽段/碎片应具备良好的质谱响应线性、理想的质谱响应强度和线性的动态变化范围。而不同肽段随上样量变化的质谱响应曲线各不相同，因此需要对定量肽段进行筛选。然而，现有工具及数据库通常是基于预测模型，对肽段离子的质谱响应线性不够重视，因此其定量值与蛋白实际量往往存在一定差距。在本项目中, 我们将建立一个线性多肽判断和预测模型，基于实验数据得到的线性质谱响应曲线，结合多种参数，采用机器学习方法，建立线性响应肽段筛选及预测模型。本研究将为定量蛋白质组学提供筛选模型, 从而使基于质谱的蛋白定量更为准确。

准确的蛋白定量是精确描述生物体物质调控过程的基础。质谱具备高敏感度和高通量的特性，可以对生理或病理条件下蛋白表达量及变化进行高通量检测。在基于质谱的离子流色谱峰模式中，通常都利用肽段谱峰面积代表蛋白的实际量，因此定量肽段应具备良好的质谱响应线性、理想的质谱响应强度和线性的动态变化范围。而不同肽段随上样量变化的质谱响应曲线各不相同，因此需要对定量肽段进行筛选。然而，现有工具及数据库通常是基于预测模型，对肽段离子的质谱响应线性不够重视，因此其定量值与蛋白实际量往往存在一定差距。在本项目中，我们通过对近2.5个量级跨度上的一系列等比稀释的样本所进行的测量和计算，建立了肽段的质谱信号和响应曲线，并依照我们发展的相关算法，综合考虑质谱信号强度、线性相关系数、线性相关系数高于阈值的最大子区间以及最低有效检测阈值等参数，测算得到了各肽段的综合定量判断指标。根据每一条肽段的丰度-响应强度曲线，判定肽段的线性响应优劣。确定了优良线性响应肽段的标准，构建了高可信的优选肽段数据集。通过对多种不同的机器学习算法的训练、测试和评估，确定随机森林和神经网络更适用于本项目的研究。我们使用两个不同的数据集分别进行模型的构建和验证，结果证明，神经网络和随机森林模型在同一质谱平台上的准确度可以达到94%以上；跨平台测试中，随机森林的准确度可以达到87%以上。总之，本研究对不同平台的不同数据集进行了跨平台测试，验证了蛋白质组标准蛋白数据机器学习策略的实用性和通用性。证明了我们的方法具有很好的区分度，并且与肽段质谱数据本身包含的理化性质吻合。本研究为定量蛋白质组学提供了线性响应肽段筛选及预测模型，从而使基于质谱的蛋白定量更为准确。