分享一篇發表在Nature Methods上的文章，標題為“Predicting glycan structure from tandem mass spectrometry via deep learning”，文章的通訊作者是來自哥德堡大學的Daniel Bojar教授，其課題組致力于聚糖方面的研究。
聚糖修飾是最為豐富的翻譯后修飾，然而確定聚糖的結構卻充滿挑戰性。同一分子質量可能對應不同拓撲結構的聚糖。因此在傳統的鑒定流程下，研究人員通常需要分離結構異構體，隨后使用MS將其碎裂成更小的亞結構加以鑒定。這種流程費時費力，難以大規模進行。本文，作者利用大規模的串聯譜圖數據集，基于深度學習算法建立了CandyCrunch模型，并實現了90%的聚糖結構預測準確性。
作者從超過2000個糖組學實驗中收集得到近50萬張帶有聚糖注釋的LC-MS/MS譜圖，聚糖類型涵蓋了主要的真核生物聚糖修飾類型。作者引入卷積神經網絡以學習MS/MS中的碎裂模式和強度比。它以MS/MS譜圖、保留時間、母離子m/z和一些其它實驗參數作為輸入，以聚糖的預測排名作為輸出（包含聚糖的質量和拓撲結構）。為方便使用，作者建立了工作管道以支持原始文件作為輸入（如.mzML文件）。
在評估過程中，CandyCrunch能夠達到超過90%的拓撲結構預測準確性，并在各種聚糖類型中表現相當。聚類結果表明，模型對聚糖對的預測表示暗示了它們之間的結構相似性。需要指出的是，CandyCrunch本身是一個多分類模型，因此對應零樣本預測（預測訓練數據集中不存在的聚糖結構）是不可行的。最后，作者借助CandyCrunch開發得到CandyCrumbs用以指認不同離子峰對應的聚糖亞結構。
本文作者：ZF
責任編輯：FTY
文章鏈接：https://doi.org/10.1038/s41592-024-02314-6
原文引用：DOI:?10.1038/s41592-024-02314-6
