大家好，今天给大家分享一篇Nature Machine Intelligence上的文章Deep learning prediction of glycopeptide tandem mass spectra powers glycoproteomics，本文通讯作者是来自复旦大学的乔亮教授。其研究方向包括蛋白质组学、生物信息学、微生物质谱分析、微流控质谱联用技术等。 翻译后修饰能极大增加蛋白质组的复杂度，其中糖基化是影响50%哺乳类动物蛋白的重要翻译后修饰，在多种生理及病理过程中起到了重要的作用。蛋白质糖基化中糖分子通常连接到天冬酰胺（N-糖基化）或丝氨酸/苏氨酸（O-糖基化）的侧链。糖链的合成没有模板，因此其非常多样，对其组成及连接方式进行表征具有极大的挑战。作者在本文中发展了DeepGP的方法，使用深度学习的方法预测N-糖肽的二级谱图与保留时间，帮助更好地在质谱上识别糖肽。DeepGP接受糖肽为输入，并编码其多个特征，例如糖结构，氨基酸序列，PTM类型，PTM位置及母离子电荷等。糖结构由GNN进行编码，在其中糖链会转化为单糖为节点、单糖间的键为边的图，这可以很好捕捉到糖的组成及拓扑结构。糖肽的表征经过transformer以预测出二级谱图及保留时间，另外会有额外的GNN模块预测糖碎片离子的强度。DeepGP也考虑了多种中性丢失的碎片离子，其强度也会被预测。作者将HCD碎裂的糖肽数据用pGlyco3进行分析，得到的结果用于训练模型。经过优化后，预测出的二级谱图与实验值有非常高的相似度，特别是糖碎裂产生的B/Y离子的强度也与实验值有很高的相似度，对保留时间的预测也有很好的准确性，对于很相似的糖链也有好的区分效果。作者将DeepGP预测的结果能进一步地优化糖肽搜库的结果。本文作者：JGG责任编辑：ZF文章链接： https://www.nature.com/articles/s42256-024-00875-x.pdf文章引用：10.1038/s42256-024-00875-x
