复旦大学的研究团队开发了一种全新的糖蛋白组学方法，该方法结合了Transformer和图神经网络（GNN）技术，为糖蛋白质组学研究提供了强大的工具。这项研究发表在《Nature Machine Intelligence》的子刊上，标志着糖蛋白质组学领域的一项重大突破。
糖蛋白组学是研究蛋白质糖基化的一种科学，糖基化是蛋白质的一种重要翻译后修饰，它在细胞的各种生理和病理过程中扮演着关键角色。传统的糖蛋白质组学依赖于液相色谱与串联质谱联用技术，但这些技术在确定聚糖结构方面存在挑战。
为了解决这一问题，复旦大学的研究人员提出了DeepGP框架，这是一种基于Transformer和图神经网络的混合深度学习框架。DeepGP框架能够预测糖肽的MS/MS光谱和保留时间（RT），这对于糖肽的结构鉴定至关重要。两个图神经网络模块分别用于捕获分支糖结构和预测糖离子强度，而预训练策略则缓解了糖蛋白质组学数据不足的问题。
DeepGP框架的提出，不仅能够提高糖肽鉴定的灵敏度，还能够通过结合现有的糖肽搜索方法（如pGlyco3），实现对相似聚糖的有效区分。这一技术的突破将为医学研究、生物制药以及疾病诊断等领域带来深远的影响。
这项研究的成功，不仅展示了深度学习在蛋白质组学领域的应用潜力，也为其他领域的研究提供了新的思路和方法。随着研究的深入，我们有理由相信，DeepGP框架将在未来的生物医学研究中发挥更加重要的作用。
英语如下：
【来源】https://www.jiqizhixin.com/articles/2024-08-04-20
Views: 2