Các phương pháp mã hóa phospho-peptide trong mô hình học sâu

Trong bối cảnh trí tuệ nhân tạo ngày càng phổ biến và mạnh mẽ, việc ứng dụng các mô hình này để giải quyết các vấn đề cụ thể trong đời sống và y tế, đặc biệt là nghiên cứu protein, đang thu hút nhiều sự quan tâm. Việc khám phá và phân tích protein là yếu tố cốt lõi để hiểu rõ cơ chế hoạt động của tế bào, phát triển các liệu pháp mới trong điều trị ung thư và nâng cao chất lượng chẩn đoán y khoa. Một hướng nghiên cứu nổi bật trong nghiên cứu protein là phân tích khối phổ để xác định peptide và protein trong các mẫu sinh học, trong đó các mô hình học sâu được sử dụng để dự đoán các thuộc tính của phospho-peptide như thời gian lưu giữ và tín hiệu khối phổ, giúp tiết kiệm chi phí, thời gian và xây dựng thư viện phổ hiệu quả hơn. Tuy nhiên, việc áp dụng mô hình học sâu vào dự đoán thời gian lưu giữ của peptide gặp nhiều thách thức, nhất là ở khâu mã hóa chuỗi amino acid để làm đầu vào cho mô hình. Hiện có hai phương pháp mã hóa phổ biến là DeepPhospho và AlphaPeptDeep, mỗi phương pháp được xây dựng trên các nền tảng khác nhau, có ưu nhược điểm riêng, gây khó khăn cho người dùng khi lựa chọn và tích hợp vào hệ thống của mình.

Chúng tôi tập trung phân tích, so sánh hai phương pháp mã hóa DeepPhospho và AlphaPeptDeep trong bài toán dự đoán thời gian lưu giữ peptide. Qua thực nghiệm và đánh giá, khóa luận xác định được phương pháp mã hóa AlphaPeptDeep cho kết quả nhỉnh hơn 3.77% trên tập kiểm thử với độ đo sai số trung vị. Kết quả này góp phần cung cấp cơ sở khoa học quan trọng để lựa chọn phương pháp mã hóa hiệu quả nhất trong các nghiên cứu và ứng dụng thực tế về phân tích peptide.

Từ khóa: thời gian lưu giữ, phospho-peptide, proteomics, phân tích khối phổ, mô hình học sâu, transformer, DeepPhospho, AlphaPeptDeep

GitHub:

https://github.com/DVPhong/Compare-Encoding-methods-of-Phospho-peptide

https://github.com/digitalbiologylab/Compare-Encoding-methods-of-Phospho-peptide