Environmental Microbiome· 2026Q1
Makine öğrenmesi tabanlı yeniden puanlama MS²Rescore ile metaproteomikte peptit tanımlamasını ve taksonomik özgüllüğü artırır
Machine learning-based rescoring with MS²Rescore boosts peptide identification and taxonomic specificity in metaproteomics
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Makine öğrenmesi aracı olan MS²Rescore, metaproteomikte peptit tanımlama oranlarını önemli ölçüde artırır (Sage'i geride bırakarak) ve toprak gibi karmaşık ortamlarda yanlış keşif oranlarını %0,1'e düşürür.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- MS²Rescore makine öğrenmesi aracı, metaproteomikte peptit tanımlamasını iyileştirir.
- Sage dahil olmak üzere son teknoloji metaproteomik tanımlama iş akışlarını geride bırakır.
- Duyarlılıkta minimum kayıpla %0,1 yanlış keşif oranına ulaşır.
- Performans artışları, toprak gibi karmaşık çevresel örneklerde en belirgindir.
- Peptonizer2000 gibi araçlarla eşleştirildiğinde sonraki taksonomik atama konusunda güveni artırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Background Metaproteomics, the study of the collective proteome within microbial ecosystems, has gained increasing interest over the past decade. However, peptide identification rates in metaproteomics remain low compared to single-species proteomics. A key challenge is the identification sensitivity of current identification algorithms, which were primarily designed for single-species analyses. Addressing this, we evaluated the machine learning-driven MS²Rescore post-processing tool on multiple metaproteomics datasets from diverse microbial environments, including highly complex environments such as soil, which represent the most analytically demanding conditions in metaproteomics. Results We demonstrate that machine learning-driven rescoring outperforms state-of-the-art metaproteomics identification workflows. It significantly increases peptide identification rates compared to Sage, which itself already implements basic rescoring. Moreover, it enables lowering the false discovery rate (FDR) to 0.1% with minimal to no sensitivity loss, a substantial improvement over the 1% or 5% FDR thresholds commonly used in metaproteomics, in turn leading to greater confidence in downstream taxonomic annotation when paired with downstream statistical tools like Peptonizer2000. The performance gains are most pronounced in the most complex settings, making it particularly well-suited for environmental metaproteomics. Conclusions Our findings show that MS²Rescore substantially improves peptide identification sensitivity as well as specificity in metaproteomics, and delivers improved confidence in taxonomic annotation when paired with downstream taxonomic analysis tools. This advancement results in a more reliable downstream taxonomic analysis, reinforcing the potential of machine learning-based rescoring in metaproteomics research.
Yazarların özeti; kaynağından alınmıştır. Environmental Microbiome, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Spektroskopi
SpectroscopyChemistry