基于Transformer的多种蛋白质从头肽测序技术在基准数据集上的评测OA

从头肽测序作为质谱分析中解析蛋白质结构与功能的关键技术,近年来深度学习模型尤其是Transformer架构的融入,展现出巨大发展潜力。本文旨在聚焦基于Transformer的多种蛋白质从头肽测序技术,通过在基准数据集上的评测,为该领域的研究提供全面且深入的参考。从众多基于Transformer架构的模型中,选取Casanovo、CasanovoV2、Transformer-DIA、π-HelixNovo、PowerNovo以及π-PrimeNovo,在基准数据集上开展对比实验。从肽测序准确率、运行效率等多个维度,对各模型的性能表现差异展开深入剖析,详细分析各模型在处理质谱数据、预测肽序列过程中所采用的不同策略。与传统的肽测序方法相比,Transformer模型的并行处理和全局依赖建模能力为肽测序带来了革新,通过降低复杂度、提高精确度和效率,解决了传统方法中的错误级联问题,为蛋白质组学研究提供了不可或缺的价值。通过对多种基于Transformer的蛋白质从头肽测序技术在基准数据集上的评测与分析,为读者提供一个全面的视角,明确了这些模型在推动蛋白质组学研究中的重要作用,同时也为后续研究指明了方向。