蛋白質(zhì)組質(zhì)譜平臺(tái)實(shí)驗(yàn)數(shù)據(jù)仿真生成研究.pdf

1、質(zhì)譜技術(shù)已經(jīng)成為蛋白質(zhì)組學(xué)研究的高通量分析手段和核心工具。目前，用于質(zhì)譜數(shù)據(jù)處理和分析的軟件工具不斷涌現(xiàn)，這些工具的應(yīng)用使得基于質(zhì)譜的蛋白質(zhì)組學(xué)研究取得了可喜的成果。
　　為了能夠開(kāi)發(fā)出有效而又穩(wěn)健的算法和工具，需要獲得標(biāo)準(zhǔn)數(shù)據(jù)集以便比較和驗(yàn)證軟件工具的性能，但這并不是一件容易的事情。在研究中發(fā)現(xiàn)，經(jīng)過(guò)仔細(xì)編輯注釋的測(cè)試數(shù)據(jù)集并不多見(jiàn)，公開(kāi)的標(biāo)準(zhǔn)數(shù)據(jù)集也很少。甚至為了檢驗(yàn)算法和工具的穩(wěn)健性，數(shù)據(jù)集中還需要包含不同水平的噪聲數(shù)據(jù)?；?/p>

2、于這樣的應(yīng)用需求和研究定位，本文提出了一套質(zhì)譜實(shí)驗(yàn)數(shù)據(jù)仿真的方法。仿真質(zhì)譜數(shù)據(jù)的階段性目的并不是構(gòu)建一個(gè)細(xì)致的質(zhì)譜數(shù)據(jù)生成的物理模型，而是追求仿真數(shù)據(jù)能夠比較合理地與實(shí)驗(yàn)數(shù)據(jù)的特征相似。質(zhì)譜數(shù)據(jù)仿真以蛋白質(zhì)序列為輸入數(shù)據(jù)，仿真生成的內(nèi)容主要有消化后得到的酶切肽段、肽段的保留時(shí)間、同位素峰的分布、電荷狀態(tài)、色譜流出曲線、肽段離子質(zhì)荷比信息、碎裂離子質(zhì)荷比信息、背景噪聲以及肽段的可檢測(cè)性等。
　　本文工作的目標(biāo)是探索實(shí)現(xiàn)一個(gè)仿真原型系

3、統(tǒng)，本文主要包括以下幾個(gè)方面的內(nèi)容：
　　(1)基于馬爾科夫鏈的蛋白質(zhì)酶切概率計(jì)算。本文提出基于馬爾科夫鏈的蛋白質(zhì)酶切概率計(jì)算模型，根據(jù)候選酶切位點(diǎn)附近的氨基酸序列組成信息，計(jì)算候選位點(diǎn)的酶切概率。利用不同的數(shù)據(jù)集對(duì)模型進(jìn)行了測(cè)試，結(jié)果表明，模型具有良好的預(yù)測(cè)效果和穩(wěn)定性。
　　(2)肽段色譜保留時(shí)間預(yù)測(cè)和色譜峰形仿真。對(duì)肽段色譜過(guò)程的仿真主要包括兩個(gè)部分，即肽段保留時(shí)間的預(yù)測(cè)和色譜峰形的仿真。肽段保留時(shí)間的預(yù)測(cè)使用基于氨基

4、酸保留系數(shù)的模型，同時(shí)考慮了肽段 N端氨基酸和長(zhǎng)度對(duì)肽段疏水性等因素的影響；肽段色譜峰形的仿真使用基于指數(shù)修正高斯函數(shù)模型，并且考慮色譜峰形的不對(duì)稱(chēng)性。模型測(cè)試表明，肽段保留時(shí)間的預(yù)測(cè)值與實(shí)驗(yàn)數(shù)據(jù)的相關(guān)系數(shù)為0.94，色譜峰形的擬合曲線與實(shí)驗(yàn)觀測(cè)數(shù)據(jù)的相關(guān)系數(shù)為0.98。這表明，肽段色譜過(guò)程的仿真與實(shí)驗(yàn)數(shù)據(jù)具有相當(dāng)?shù)南嗨菩浴?br>　　(3)電噴霧電離過(guò)程中肽段的電荷狀態(tài)預(yù)測(cè)。本文根據(jù)肽段的氨基酸組成，使用線性回歸和多正態(tài)分布相結(jié)合的預(yù)

5、測(cè)模型，預(yù)測(cè)肽段的電荷狀態(tài)。選擇了兩個(gè)不同的數(shù)據(jù)集，采用5倍交叉驗(yàn)證來(lái)測(cè)試模型的性能。結(jié)果表明，模型的預(yù)測(cè)精度達(dá)到96.89％，表現(xiàn)出良好的預(yù)測(cè)能力。在不同的數(shù)據(jù)集間進(jìn)行相互預(yù)測(cè)肽段的電荷狀態(tài)時(shí)，預(yù)測(cè)精度略有下降，但仍然達(dá)到88%以上，對(duì)于應(yīng)用來(lái)說(shuō)能夠滿足電荷狀態(tài)預(yù)測(cè)的要求。
　　(4)基于Logistic回歸的肽段可檢測(cè)性預(yù)測(cè)。本文提出了基于Logistic回歸的肽段可檢測(cè)性預(yù)測(cè)模型，選擇了6個(gè)影響肽段可檢測(cè)性的屬性作為參數(shù)，使

6、用了不同的數(shù)據(jù)集和嵌套交叉驗(yàn)證方法對(duì)模型性能進(jìn)行測(cè)試。測(cè)試結(jié)果表明，模型的平均ROC曲線下面積為0.9466，預(yù)測(cè)精度達(dá)到0.87。另外，同其他一些文獻(xiàn)報(bào)道的肽段可檢測(cè)性方法進(jìn)行了比較，結(jié)果表明，模型性能優(yōu)于多數(shù)預(yù)測(cè)方法。
　　(5)蛋白質(zhì)組學(xué)質(zhì)譜實(shí)驗(yàn)數(shù)據(jù)的仿真生成。在上述局部模型的基礎(chǔ)上，仿真生成了與實(shí)驗(yàn)數(shù)據(jù)特征相似的仿真數(shù)據(jù)。質(zhì)譜實(shí)驗(yàn)數(shù)據(jù)的仿真，主要包括仿真生成胰蛋白酶消化得到的肽段混合列表、預(yù)測(cè)肽段保留時(shí)間和仿真色譜峰流出曲

7、線、仿真計(jì)算肽段離子同位素峰的分布、電荷狀態(tài)、肽段離子質(zhì)荷比信息、串聯(lián)質(zhì)譜碎裂離子質(zhì)荷比和相應(yīng)強(qiáng)度信息、背景噪聲以及肽段的可檢測(cè)性等。選擇了4個(gè)不同來(lái)源的數(shù)據(jù)集，對(duì)仿真數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行相似性分析，通過(guò)對(duì)酶切肽段及可檢測(cè)性、肽段保留時(shí)間和色譜峰形、肽段電荷狀態(tài)、肽段同位素峰分布、串聯(lián)質(zhì)譜碎片離子信息和圖譜噪聲數(shù)據(jù)的相似性比較或覆蓋率計(jì)算。結(jié)果表明，本文中的仿真數(shù)據(jù)能夠較好地反映實(shí)驗(yàn)數(shù)據(jù)的特征，仿真數(shù)據(jù)能夠合理地近似實(shí)驗(yàn)數(shù)據(jù)。使用仿真數(shù)據(jù)