GlycanFinder：結(jié)合數(shù)據(jù)庫(kù)搜索和從頭測(cè)序的糖蛋白組學(xué)分析
近日，來(lái)自于加拿大Bioinformatics Solutions Inc.的PEAKS團(tuán)隊(duì)、滑鐵盧大學(xué)David R. Cheriton計(jì)算機(jī)科學(xué)學(xué)院的李明教授團(tuán)隊(duì)以及百蓁生物的研究者，在Nature Communication發(fā)表了結(jié)合數(shù)據(jù)庫(kù)搜索和從頭測(cè)序?qū)崿F(xiàn)高靈敏度糖蛋白組學(xué)分析的PEAKS GlycanFinder軟件工具。GlycanFinder集成了基于肽段和基于聚糖，二者兼顧的搜索策略，以解決來(lái)自糖肽極為復(fù)雜的碎片離子的解析問(wèn)題。通過(guò)深度學(xué)習(xí)策略對(duì)聚糖復(fù)雜的分枝結(jié)構(gòu)及其產(chǎn)生的碎片離子進(jìn)行聚糖的從頭測(cè)序�；谶@樣的策略，GlycanFinder還可以鑒定現(xiàn)有數(shù)據(jù)庫(kù)中沒(méi)有發(fā)現(xiàn)的糖肽。
隨著液相與串聯(lián)質(zhì)譜(LC-MS /MS)的技術(shù)發(fā)展，糖蛋白組學(xué)中的研究中，已經(jīng)能夠?qū)ν暾奶请倪M(jìn)行位點(diǎn)特異性糖譜學(xué)分析，包括蛋白質(zhì)、修飾位點(diǎn)、 聚糖結(jié)構(gòu)，并可對(duì)其進(jìn)行定量分析。但是對(duì)于糖肽鑒定仍然存在的挑戰(zhàn)，糖肽產(chǎn)生的譜圖非常的復(fù)雜，碎片離子類(lèi)型眾多，包括了來(lái)自于多肽的b/y，c/z，來(lái)自于聚糖的B/Y等。對(duì)于N-link和O-link的糖肽分析，同時(shí)考慮譜圖中所呈現(xiàn)的肽段碎片信息或者聚糖碎片信息，基于蛋白和聚糖的數(shù)據(jù)庫(kù)挑選出所有可能的候選。當(dāng)來(lái)自于多肽的信號(hào)或者聚糖的信號(hào)較差時(shí)，造成難以挑選出候選糖肽的不利局面，則可被改善。另外，作者通過(guò)整合了動(dòng)態(tài)規(guī)劃，圖形神經(jīng)網(wǎng)絡(luò)，Transformer神經(jīng)網(wǎng)絡(luò)構(gòu)建了學(xué)習(xí)糖結(jié)構(gòu)和基于質(zhì)譜數(shù)據(jù)重建聚糖分枝結(jié)構(gòu)的深度學(xué)習(xí)模型。并且對(duì)于糖肽的鑒定結(jié)果，從多肽水平和聚糖水平分別通過(guò)Target-Decoy的策略進(jìn)行FDR的評(píng)估。
1. 完整糖肽分析的工作流程
2. 基于深度學(xué)習(xí)的N-link糖肽從頭測(cè)序
Glycan從頭測(cè)序的評(píng)估
3. 多肽和聚糖的FDR評(píng)估
5. O-連接糖肽分析方法的評(píng)價(jià)
O-連接糖是通過(guò)絲氨酸(S)或蘇氨酸(T)殘基的羥基連接到蛋白上的。因此，在一個(gè)肽序列中通常有不止一個(gè)的O-糖基化位點(diǎn)。GlycanFinder允許每個(gè)肽最多兩個(gè)O-連接的聚糖，并使用內(nèi)部碎片離子來(lái)確定最佳糖基化位點(diǎn)，計(jì)算其糖基化位點(diǎn)分配的特定位點(diǎn)定位分?jǐn)?shù)(A-Score)。
GlycanFinder的總體得分為0.730，在超過(guò)了Kawahara等人之前的研究中，其他9個(gè)軟件報(bào)告的最好結(jié)果�？傮w而言，基于HGI研究的benchmark結(jié)果表明，GlycanFinder代表了N-糖蛋白組學(xué)和O-糖蛋白組學(xué)的高性能信息解決方案。
參考文獻(xiàn)
Sun, W., Zhang, Q., Zhang, X. et al. Glycopeptide database search and de novo sequencing with PEAKS GlycanFinder enable highly sensitive glycoproteomics. Nat Commun 14, 4046 (2023). https://doi.org/10.1038/s41467-023-39699-5
悄悄劇透一下，GlycanFinder 2.0 版本即將發(fā)布，敬請(qǐng)期待！
（點(diǎn)擊圖片即可查看活動(dòng)詳情）
如果您想深入了解更多關(guān)于PEAKS 軟件更多內(nèi)容，歡迎掃描下方二維碼關(guān)注我們！
隨著液相與串聯(lián)質(zhì)譜(LC-MS /MS)的技術(shù)發(fā)展，糖蛋白組學(xué)中的研究中，已經(jīng)能夠?qū)ν暾奶请倪M(jìn)行位點(diǎn)特異性糖譜學(xué)分析，包括蛋白質(zhì)、修飾位點(diǎn)、 聚糖結(jié)構(gòu)，并可對(duì)其進(jìn)行定量分析。但是對(duì)于糖肽鑒定仍然存在的挑戰(zhàn)，糖肽產(chǎn)生的譜圖非常的復(fù)雜，碎片離子類(lèi)型眾多，包括了來(lái)自于多肽的b/y，c/z，來(lái)自于聚糖的B/Y等。對(duì)于N-link和O-link的糖肽分析，同時(shí)考慮譜圖中所呈現(xiàn)的肽段碎片信息或者聚糖碎片信息，基于蛋白和聚糖的數(shù)據(jù)庫(kù)挑選出所有可能的候選。當(dāng)來(lái)自于多肽的信號(hào)或者聚糖的信號(hào)較差時(shí)，造成難以挑選出候選糖肽的不利局面，則可被改善。另外，作者通過(guò)整合了動(dòng)態(tài)規(guī)劃，圖形神經(jīng)網(wǎng)絡(luò)，Transformer神經(jīng)網(wǎng)絡(luò)構(gòu)建了學(xué)習(xí)糖結(jié)構(gòu)和基于質(zhì)譜數(shù)據(jù)重建聚糖分枝結(jié)構(gòu)的深度學(xué)習(xí)模型。并且對(duì)于糖肽的鑒定結(jié)果，從多肽水平和聚糖水平分別通過(guò)Target-Decoy的策略進(jìn)行FDR的評(píng)估。
1. 完整糖肽分析的工作流程
為了提高靈敏度，GlycanFinder同時(shí)應(yīng)用基于肽和糖的搜索。如果在基于多肽的搜索后譜圖仍未被鑒定，則會(huì)進(jìn)行基于聚糖的搜索。基于肽和聚糖搜索的組合利用了肽和聚糖碎片離子，因此減少了因?yàn)樗槠盘?hào)差而錯(cuò)過(guò)一些候選的概率。確定了候選糖肽，在第二輪打分時(shí)，會(huì)綜合考慮肽主鏈產(chǎn)生的離子、糖肽 Y 離子和 B 離子評(píng)估糖肽譜匹配 (glycoPSM) 并估計(jì)其 FDR。
糖肽分析中的一個(gè)常見(jiàn)問(wèn)題是，在一個(gè)肽序列中可能存在多個(gè)糖基化位點(diǎn)或具有相同組成的多個(gè)異構(gòu)體的聚糖，這增加了糖肽匹配的不確定性。通過(guò)A-score計(jì)算位點(diǎn)特異性，由排名第一和第二候選位點(diǎn)的分?jǐn)?shù)差獲得。類(lèi)似地，當(dāng)具有相同組成的多個(gè)異構(gòu)體聚糖匹配一個(gè)譜圖時(shí)，它們的結(jié)構(gòu)分?jǐn)?shù)是用它們各自的糖肽Y離子來(lái)計(jì)算的。通過(guò)排名第一和排名第二的糖結(jié)構(gòu)分?jǐn)?shù)差來(lái)計(jì)算S-score，然后選擇得分最高的多糖。glycoPSM的A-score和S-score反映了其糖基化位點(diǎn)和糖鏈結(jié)構(gòu)分配的置信度，因?yàn)榈谝缓偷诙蜻x得分之間的較大差異意味著最好得分(方法)的分配得到了更有力的支持證據(jù)。
glycoPSM的S得分定義為：
glycoPSM的S得分定義為：
與先前報(bào)道的一些聚糖從頭測(cè)序的方法不同，GlycanFinder遵循數(shù)據(jù)驅(qū)動(dòng)的方法，并應(yīng)用機(jī)器學(xué)習(xí)模型從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)聚糖結(jié)構(gòu)。
給定一張譜圖以及聚糖的質(zhì)量數(shù)（通過(guò)母離子質(zhì)量數(shù)-多肽質(zhì)量數(shù)），作者通過(guò)動(dòng)態(tài)規(guī)劃的方法計(jì)算糖的組成，樹(shù)狀的糖結(jié)構(gòu)從“根”到“葉”進(jìn)行構(gòu)建。深度學(xué)習(xí)模型用于預(yù)測(cè)下一個(gè)單糖。將五種單糖（Hex、HexNAc、Fuc、NeuAc、NeuGc）或其可能產(chǎn)生的每一種組合添加到部分樹(shù)中創(chuàng)建候選樹(shù)池，然后用兩個(gè)神經(jīng)網(wǎng)絡(luò)（其中一個(gè)Graphormer神經(jīng)網(wǎng)絡(luò)用來(lái)捕獲候選樹(shù)的結(jié)構(gòu)，另一個(gè)用來(lái)捕獲候選樹(shù)和譜圖之間匹配糖肽的Y，B離子）對(duì)每個(gè)候選樹(shù)進(jìn)行評(píng)分，選擇得分最高的樹(shù)進(jìn)行下一次迭代。直到由動(dòng)態(tài)規(guī)劃計(jì)算出的聚糖組成的所有單糖均已被使用。該模型的核心思想和多肽從頭測(cè)序一樣，希望借由 Transformer 圖神經(jīng)網(wǎng)絡(luò)捕獲的候選樹(shù)的結(jié)構(gòu)，在碎片離子之外提供額外的證據(jù)來(lái)預(yù)測(cè)下一個(gè)單糖。
給定一張譜圖以及聚糖的質(zhì)量數(shù)（通過(guò)母離子質(zhì)量數(shù)-多肽質(zhì)量數(shù)），作者通過(guò)動(dòng)態(tài)規(guī)劃的方法計(jì)算糖的組成，樹(shù)狀的糖結(jié)構(gòu)從“根”到“葉”進(jìn)行構(gòu)建。深度學(xué)習(xí)模型用于預(yù)測(cè)下一個(gè)單糖。將五種單糖（Hex、HexNAc、Fuc、NeuAc、NeuGc）或其可能產(chǎn)生的每一種組合添加到部分樹(shù)中創(chuàng)建候選樹(shù)池，然后用兩個(gè)神經(jīng)網(wǎng)絡(luò)（其中一個(gè)Graphormer神經(jīng)網(wǎng)絡(luò)用來(lái)捕獲候選樹(shù)的結(jié)構(gòu)，另一個(gè)用來(lái)捕獲候選樹(shù)和譜圖之間匹配糖肽的Y，B離子）對(duì)每個(gè)候選樹(shù)進(jìn)行評(píng)分，選擇得分最高的樹(shù)進(jìn)行下一次迭代。直到由動(dòng)態(tài)規(guī)劃計(jì)算出的聚糖組成的所有單糖均已被使用。該模型的核心思想和多肽從頭測(cè)序一樣，希望借由 Transformer 圖神經(jīng)網(wǎng)絡(luò)捕獲的候選樹(shù)的結(jié)構(gòu)，在碎片離子之外提供額外的證據(jù)來(lái)預(yù)測(cè)下一個(gè)單糖。
Glycan從頭測(cè)序的評(píng)估
基于五種小鼠組織（腦、心臟、腎、肝、肺）的數(shù)據(jù)集，作者評(píng)估了聚糖從頭測(cè)序的深度學(xué)習(xí)模型。首先進(jìn)行N-link糖庫(kù)搜索，并以 1% FDR 識(shí)別出 139,208 個(gè) glycoPSM，隨后用于訓(xùn)練和測(cè)試（以五次交叉驗(yàn)證方式進(jìn)行，其中四種組織的 glycoPSM 用于訓(xùn)練，其余組織的 glycoPSM 用于測(cè)試），例如肺的數(shù)據(jù)用與測(cè)試時(shí)，其他四種（腦、腎、心、肝臟）的數(shù)據(jù)用于訓(xùn)練。從訓(xùn)練集中排除了測(cè)試集的所有聚糖，以確保訓(xùn)練集和測(cè)試集沒(méi)有任何共同的聚糖。
對(duì)于每個(gè) glycoPSM，de novo 聚糖與目標(biāo)聚糖（從數(shù)據(jù)庫(kù)搜索中識(shí)別）基于三個(gè)級(jí)別：組成、碎片離子和結(jié)構(gòu)進(jìn)行比較。
第一級(jí)的評(píng)估在于de novo 和目標(biāo)的糖是否具有相同的組成，第二，從頭測(cè)序的糖和目標(biāo)的糖匹配的糖碎片離子的數(shù)量，第三，計(jì)算de novo和目標(biāo)糖結(jié)構(gòu)是否完全匹配。
GlycanFinder 在結(jié)構(gòu)，碎片離子和組成三個(gè)層次上的平均準(zhǔn)確度分別為 32%、83% 和 89%，而 StrucGP 的準(zhǔn)確度分別為 23%、84% 和 85%。雖然這兩種軟件顯示的碎片離子和成分的準(zhǔn)確性相當(dāng)，但 GlycanFinder 的平均結(jié)構(gòu)準(zhǔn)確性大大高于 StrucGP，在所有五種組織中都是如此。結(jié)果證明GlycanFinder 深度學(xué)習(xí)模型在聚糖從頭測(cè)序的樹(shù)結(jié)構(gòu)學(xué)習(xí)和預(yù)測(cè)方面具有優(yōu)勢(shì)。
對(duì)于每個(gè) glycoPSM，de novo 聚糖與目標(biāo)聚糖（從數(shù)據(jù)庫(kù)搜索中識(shí)別）基于三個(gè)級(jí)別：組成、碎片離子和結(jié)構(gòu)進(jìn)行比較。
第一級(jí)的評(píng)估在于de novo 和目標(biāo)的糖是否具有相同的組成，第二，從頭測(cè)序的糖和目標(biāo)的糖匹配的糖碎片離子的數(shù)量，第三，計(jì)算de novo和目標(biāo)糖結(jié)構(gòu)是否完全匹配。
GlycanFinder 在結(jié)構(gòu)，碎片離子和組成三個(gè)層次上的平均準(zhǔn)確度分別為 32%、83% 和 89%，而 StrucGP 的準(zhǔn)確度分別為 23%、84% 和 85%。雖然這兩種軟件顯示的碎片離子和成分的準(zhǔn)確性相當(dāng)，但 GlycanFinder 的平均結(jié)構(gòu)準(zhǔn)確性大大高于 StrucGP，在所有五種組織中都是如此。結(jié)果證明GlycanFinder 深度學(xué)習(xí)模型在聚糖從頭測(cè)序的樹(shù)結(jié)構(gòu)學(xué)習(xí)和預(yù)測(cè)方面具有優(yōu)勢(shì)。
3. 多肽和聚糖的FDR評(píng)估
對(duì)于多肽的FDR評(píng)估，一般采用標(biāo)準(zhǔn)的target-decoy方法，通過(guò)對(duì)目標(biāo)庫(kù)蛋白序列進(jìn)行隨機(jī)打散的方式構(gòu)建誘餌庫(kù)蛋白。而對(duì)于聚糖的 FDR，由于其非線性結(jié)構(gòu)，則應(yīng)用碎片離子的質(zhì)量隨機(jī)偏移來(lái)創(chuàng)建誘餌譜圖。僅當(dāng) glycoPSM 的肽和聚糖 FDR 均小于或等于 1% 時(shí)，它才能通過(guò) 1% FDR 閾值。
通過(guò)對(duì)裂殖酵母糖蛋白組樣本數(shù)據(jù)集進(jìn)行 N糖肽分析，對(duì)GlycanFinder，pGlyco3（版本 20210615）、MetaMorpheus（版本 0.0.320）和 MSFragger（版本 19.0）進(jìn)行FDR評(píng)估后的對(duì)比。所有軟件均使用相同的數(shù)據(jù)庫(kù)和參數(shù)。結(jié)果如圖所示，GlycanFinder 鑒定出 4035 個(gè) glycoPSMs，比pGlyco3 (3553)多13.6%，比 MSFragger (4720) 低 17.0%。MetaMorpheus 鑒定最多glycoPSM（5232），但它FDR高達(dá) 51.6%。當(dāng)GlycanFinder的Glycan 和Peptide FDR閾值放寬，調(diào)整為 0.3% 和 0.2%，以便GlycanFinder與MSFragger的 FDR進(jìn)行比較，此時(shí)GlycanFinder 鑒定出 4518 個(gè) glycoPSM，比MSFragger少4.5%。但值得注意的是MSFragger報(bào)告的是聚糖成分，而 GlycanFinder 和 pGlyco3 報(bào)告的是聚糖結(jié)構(gòu)，可提供聚糖更全面的信息。
通過(guò)對(duì)裂殖酵母糖蛋白組樣本數(shù)據(jù)集進(jìn)行 N糖肽分析，對(duì)GlycanFinder，pGlyco3（版本 20210615）、MetaMorpheus（版本 0.0.320）和 MSFragger（版本 19.0）進(jìn)行FDR評(píng)估后的對(duì)比。所有軟件均使用相同的數(shù)據(jù)庫(kù)和參數(shù)。結(jié)果如圖所示，GlycanFinder 鑒定出 4035 個(gè) glycoPSMs，比pGlyco3 (3553)多13.6%，比 MSFragger (4720) 低 17.0%。MetaMorpheus 鑒定最多glycoPSM（5232），但它FDR高達(dá) 51.6%。當(dāng)GlycanFinder的Glycan 和Peptide FDR閾值放寬，調(diào)整為 0.3% 和 0.2%，以便GlycanFinder與MSFragger的 FDR進(jìn)行比較，此時(shí)GlycanFinder 鑒定出 4518 個(gè) glycoPSM，比MSFragger少4.5%。但值得注意的是MSFragger報(bào)告的是聚糖成分，而 GlycanFinder 和 pGlyco3 報(bào)告的是聚糖結(jié)構(gòu)，可提供聚糖更全面的信息。
GlycanFinder還鑒定到70種別的軟件沒(méi)有鑒定到的糖肽。如圖所示，在蛋白質(zhì)PO13781|YEO3_SCHPO上的糖基化位點(diǎn)N234處鑒定到的glycoPSMs。GlycanFinder 在該位點(diǎn)鑒定了三個(gè)裂殖酵母中常見(jiàn)的聚糖，包括具有高甘露糖結(jié)構(gòu)的 (HexNAc)2(Hex)11 和 (HexNAc)2(Hex)13 ( HexNAc)2(Hex)n。并且在樣品2的編號(hào)56,805譜圖中，GlycanFinder在同樣譜圖上鑒定到的高甘露糖聚糖 H11N2比pGlyco3鑒定的H6N6有更好的糖肽B/Y離子。而MSFragger 則沒(méi)有在該糖基化位點(diǎn)的報(bào)告任何鑒定結(jié)果。
4. 基于HUPO人類(lèi)糖蛋白組學(xué)計(jì)劃的研究綜合評(píng)估
Kawahara等人最近描述了HUPO 人類(lèi)糖蛋白組學(xué)計(jì)劃 (HGI)研究，評(píng)估來(lái)自9個(gè)開(kāi)發(fā)團(tuán)隊(duì)和13個(gè)用戶(hù)團(tuán)隊(duì)的11個(gè)糖蛋白組學(xué)軟件的性能，以進(jìn)行完整的糖肽分析。
他們的研究提供了來(lái)自人類(lèi)血清的標(biāo)準(zhǔn)糖蛋白組學(xué)數(shù)據(jù)集和全面的評(píng)價(jià)標(biāo)準(zhǔn)。在這里，我們還在相同的基準(zhǔn)上對(duì)GlycanFinder進(jìn)行了評(píng)估，并與Kawahara報(bào)告的結(jié)果進(jìn)行了比較，研究中的結(jié)果包括IQ-GPA v2.5，Prospector v5.20.23，GlyXtoolMS v0.1.4，Byonic v2.16.16，Sugar Qb，Glycopeptide Search v2.0alpha、GlyCopeptideGraphMS v1.0、GlycoPAT v2.0和GPQuest v2.0。我們還將我們的結(jié)果與Kawahara等人報(bào)告的最佳用戶(hù)團(tuán)隊(duì)的結(jié)果進(jìn)行了比較。
結(jié)果顯示，總體而言，GlycanFinder的性能略好于報(bào)告的最佳結(jié)果 (0.789 vs 0.777)，并超過(guò)了其他九個(gè)軟件。此外，GlycanFinder在N1-N3、N5、N6(0.833-0.952)的五個(gè)標(biāo)準(zhǔn)中始終得分很高，鑒定N-連接糖肽和糖蛋白方面具有很高的準(zhǔn)確性，同時(shí)適當(dāng)?shù)乜刂屏薋DR。然而，在N4測(cè)試中，GlycanFinder在識(shí)別的N-連接糖肽的數(shù)量方面表現(xiàn)不佳。我們進(jìn)一步檢查了GlycanFinder和其他工具的結(jié)果之間的一致性。左圖顯示GlycanFinder的83%的N-連接的糖鏈成分和78%的N-連接的糖蛋白也被至少三個(gè)其他工具報(bào)告。右圖顯示了GlycanFinder報(bào)告的N-連接聚糖與其他高評(píng)分工具(如User Team 15、Prospector或Byonic)報(bào)告的N-連接聚糖的一致分類(lèi)。
Kawahara等人最近描述了HUPO 人類(lèi)糖蛋白組學(xué)計(jì)劃 (HGI)研究，評(píng)估來(lái)自9個(gè)開(kāi)發(fā)團(tuán)隊(duì)和13個(gè)用戶(hù)團(tuán)隊(duì)的11個(gè)糖蛋白組學(xué)軟件的性能，以進(jìn)行完整的糖肽分析。
他們的研究提供了來(lái)自人類(lèi)血清的標(biāo)準(zhǔn)糖蛋白組學(xué)數(shù)據(jù)集和全面的評(píng)價(jià)標(biāo)準(zhǔn)。在這里，我們還在相同的基準(zhǔn)上對(duì)GlycanFinder進(jìn)行了評(píng)估，并與Kawahara報(bào)告的結(jié)果進(jìn)行了比較，研究中的結(jié)果包括IQ-GPA v2.5，Prospector v5.20.23，GlyXtoolMS v0.1.4，Byonic v2.16.16，Sugar Qb，Glycopeptide Search v2.0alpha、GlyCopeptideGraphMS v1.0、GlycoPAT v2.0和GPQuest v2.0。我們還將我們的結(jié)果與Kawahara等人報(bào)告的最佳用戶(hù)團(tuán)隊(duì)的結(jié)果進(jìn)行了比較。
結(jié)果顯示，總體而言，GlycanFinder的性能略好于報(bào)告的最佳結(jié)果 (0.789 vs 0.777)，并超過(guò)了其他九個(gè)軟件。此外，GlycanFinder在N1-N3、N5、N6(0.833-0.952)的五個(gè)標(biāo)準(zhǔn)中始終得分很高，鑒定N-連接糖肽和糖蛋白方面具有很高的準(zhǔn)確性，同時(shí)適當(dāng)?shù)乜刂屏薋DR。然而，在N4測(cè)試中，GlycanFinder在識(shí)別的N-連接糖肽的數(shù)量方面表現(xiàn)不佳。我們進(jìn)一步檢查了GlycanFinder和其他工具的結(jié)果之間的一致性。左圖顯示GlycanFinder的83%的N-連接的糖鏈成分和78%的N-連接的糖蛋白也被至少三個(gè)其他工具報(bào)告。右圖顯示了GlycanFinder報(bào)告的N-連接聚糖與其他高評(píng)分工具(如User Team 15、Prospector或Byonic)報(bào)告的N-連接聚糖的一致分類(lèi)。
5. O-連接糖肽分析方法的評(píng)價(jià)
O-連接糖是通過(guò)絲氨酸(S)或蘇氨酸(T)殘基的羥基連接到蛋白上的。因此，在一個(gè)肽序列中通常有不止一個(gè)的O-糖基化位點(diǎn)。GlycanFinder允許每個(gè)肽最多兩個(gè)O-連接的聚糖，并使用內(nèi)部碎片離子來(lái)確定最佳糖基化位點(diǎn)，計(jì)算其糖基化位點(diǎn)分配的特定位點(diǎn)定位分?jǐn)?shù)(A-Score)。
GlycanFinder的總體得分為0.730，在超過(guò)了Kawahara等人之前的研究中，其他9個(gè)軟件報(bào)告的最好結(jié)果�？傮w而言，基于HGI研究的benchmark結(jié)果表明，GlycanFinder代表了N-糖蛋白組學(xué)和O-糖蛋白組學(xué)的高性能信息解決方案。
參考文獻(xiàn)
Sun, W., Zhang, Q., Zhang, X. et al. Glycopeptide database search and de novo sequencing with PEAKS GlycanFinder enable highly sensitive glycoproteomics. Nat Commun 14, 4046 (2023). https://doi.org/10.1038/s41467-023-39699-5
悄悄劇透一下，GlycanFinder 2.0 版本即將發(fā)布，敬請(qǐng)期待！
如果您想深入了解更多關(guān)于PEAKS 軟件更多內(nèi)容，歡迎掃描下方二維碼關(guān)注我們！
- 蛋白質(zhì)組學(xué)基礎(chǔ) ：常見(jiàn)蛋白酶的結(jié)構(gòu)、來(lái)源及性質(zhì)
- 用戶(hù)文章：食品加工使半夏中毒性凝集素減少和生物活性肽增加
- 針對(duì)SARS-CoV-2變異株核衣殼蛋白的單克隆抗體的開(kāi)發(fā)與表征
- DeepSearch——基于深度學(xué)習(xí)的高靈敏串聯(lián)質(zhì)譜數(shù)據(jù)搜庫(kù)分析策略
- 用戶(hù)文章 ： 鑒定不同發(fā)酵時(shí)間的羊乳開(kāi)菲爾中潛在的生物活性肽
- 過(guò)程分析技術(shù)（PAT）知識(shí)管理軟件系統(tǒng)的介紹及應(yīng)用
- 用戶(hù)文章：基于LC-MS/MS鑒定絲綢種類(lèi)以提供古代使用野生蠶絲的證據(jù)
- Nature最新研究成果：內(nèi)源性肽維持中樞神經(jīng)系統(tǒng)的免疫豁免機(jī)制
- BSI邀您參加2025年第六屆全國(guó)糖科學(xué)青年科技論壇
- 講座：MOE軟件在PROTAC研究中的前沿應(yīng)用
- 講座：Xybion Pristima動(dòng)物實(shí)驗(yàn)管理核心業(yè)務(wù)模塊
- 講座：新一代化學(xué)結(jié)構(gòu)編輯器Marvin功能及其應(yīng)用介紹
- DeepProteomics云講堂：一作伴你行系列講座
- 臨床前實(shí)驗(yàn)室的數(shù)字化變革--Xybion Pristima方案
- 2025第十七屆中國(guó)整合生物樣本學(xué)大會(huì)通知
- 活動(dòng)征集：2025年蛋白質(zhì)組學(xué)在線講座主題
Copyright(C) 1998-2025 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com