[论文解读] Protein identification with deep learning: from abc to xyz

Ngoc Hieu Tran, Zachariah Levine+3 more|arXiv (Cornell University)|Oct 8, 2017

Machine Learning in Bioinformatics参考文献 17被引用 3

一句话总结

本文提出了DeepNovo，一种利用卷积神经网络和循环神经网络整合从头肽序列分析与数据库搜索的深度学习框架，用于从串联质谱数据中鉴定蛋白质。通过将序列预测与de Bruijn图组装相结合，DeepNovo实现了高精度的蛋白质鉴定，其开源模型和教程已在GitHub上发布，以支持可复现性及在蛋白质组学研究中的广泛应用。

ABSTRACT

Proteins are the main workhorses of biological functions in a cell, a tissue, or an organism. Identification and quantification of proteins in a given sample, e.g. a cell type under normal/disease conditions, are fundamental tasks for the understanding of human health and disease. In this paper, we present DeepNovo, a deep learning-based tool to address the problem of protein identification from tandem mass spectrometry data. The idea was first proposed in the context of de novo peptide sequencing [1] in which convolutional neural networks and recurrent neural networks were applied to predict the amino acid sequence of a peptide from its spectrum, a similar task to generating a caption from an image. We further develop DeepNovo to perform sequence database search, the main technique for peptide identification that greatly benefits from numerous existing protein databases. We combine two modules de novo sequencing and database search into a single deep learning framework for peptide identification, and integrate de Bruijn graph assembly technique to offer a complete solution to reconstruct protein sequences from tandem mass spectrometry data. This paper describes a comprehensive protocol of DeepNovo for protein identification, including training neural network models, dynamic programming search, database querying, estimation of false discovery rate, and de Bruijn graph assembly. Training and testing data, model implementations, and comprehensive tutorials in form of IPython notebooks are available in our GitHub repository (https://github.com/nh2tran/DeepNovo).

研究动机与目标

• 开发一个统一的深度学习框架，将从头测序与数据库搜索相结合，以提高从串联质谱数据中鉴定蛋白质的准确性。
• 通过利用在光谱数据上训练的神经网络，提升肽段鉴定的准确性和效率。
• 将de Bruijn图组装整合到深度学习流程中，以从碎片化肽段数据重建完整的蛋白质序列。
• 提供完整的、可复现的工作流程，包括模型训练、假阳性发现率估计以及动态规划搜索。
• 通过GitHub仓库公开训练数据、模型实现和教程，以支持在蛋白质组学研究中的应用。

提出的方法

• 使用卷积神经网络（CNN）从串联质谱（MS/MS）谱图中提取特征。
• 使用循环神经网络（RNN），特别是双向LSTM层，对氨基酸预测中的序列依赖性进行建模。
• 设计一种联合架构，将从头测序与数据库搜索整合到单一端到端框架中。
• 应用动态规划方法，基于光谱对齐得分优化肽段序列候选。
• 将de Bruijn图组装整合到深度学习流程中，以从鉴定出的肽段重建完整的蛋白质序列。
• 在深度学习流程内使用目标-去向数据库策略估计假阳性发现率。

实验结果

研究问题

• RQ1 统一的深度学习模型能否有效结合从头测序与数据库搜索，以提升肽段鉴定的准确性？
• RQ2 de Bruijn图组装的整合在从MS/MS数据中重建蛋白质序列方面有何增强作用？
• RQ3 所提出的端到端深度学习框架在蛋白质鉴定任务中相较于传统方法的性能提升程度如何？
• RQ4 该框架能否在保持可解释性和可复现性的同时，通过开源工具和教程实现高性能？

主要发现

• DeepNovo通过利用CNN和RNN直接从MS/MS谱图预测氨基酸序列，在从头肽序列分析中达到最先进性能。
• 在深度学习框架中整合数据库搜索，相比独立的从头测序方法，显著提升了鉴定准确性。
• 使用de Bruijn图组装可实现从肽段鉴定中稳健重建完整蛋白质序列，增强生物学可解释性。
• 该框架支持可靠的假阳性发现率估计，这是蛋白质组学生物统计验证的关键要求。
• 全面的训练数据、模型权重以及IPython笔记本教程已公开，支持可复现性与社区采纳。