深い畳み込みニューラルネットワークは、データベース検索アプローチでタンデム質量分析データのスコアリングに役立ちます

スペクトルアノテーションは、予期しないペプチド断片化イオンの存在と、分光計の検出器の不正確さのために、困難な作業です。スライダーと呼ばれる深い畳み込みニューラルネットワークを紹介します。これは、質量分析（MS）/MSスペクトルのスコアリングのためのカーネルで最適な特徴抽出を学習して、信頼性の高いスペクトルアノテーションの数を増やします。公的に利用可能なデータセットを使用した実験結果は、スライダーが2〜10倍高速であるにもかかわらず、最先端の方法（BoltzMatch、RES-EV、ProSIT）よりもわずかに多くのスペクトルを注釈できることを示しています。さらに興味深いことに、Sliderは、高解像度の情報を持つ他の方法よりも、低解像度のフラグメンテーション情報を持つスペクトルアノテーションが2〜4％少ないです。つまり、スライダーは、高解像度の断片化情報が他のスコアリング方法に提供できるのと同じくらい、低解像度スペクトルピークのコンテキストからほぼ同じ多くの情報を活用できることを意味します。したがって、スライダーは、低解像度検出器を持つ古い分光計を使用して開業医に最適な選択肢となる可能性があります。

Spectrum annotation is a challenging task due to the presence of unexpected peptide fragmentation ions as well as the inaccuracy of the detectors of the spectrometers. We present a deep convolutional neural network, called Slider, which learns an optimal feature extraction in its kernels for scoring mass spectrometry (MS)/MS spectra to increase the number of spectrum annotations with high confidence. Experimental results using publicly available data sets show that Slider can annotate slightly more spectra than the state-of-the-art methods (BoltzMatch, Res-EV, Prosit), albeit 2-10 times faster. More interestingly, Slider provides only 2-4% fewer spectrum annotations with low-resolution fragmentation information than other methods with high-resolution information. This means that Slider can exploit nearly as much information from the context of low-resolution spectrum peaks as the high-resolution fragmentation information can provide for other scoring methods. Thus, Slider can be an optimal choice for practitioners using old spectrometers with low-resolution detectors.