
-
生物通官微
陪你抓住生命科技
跳动的脉搏
ProteoAutoNet:利用机器人技术和机器学习实现的高通量共洗脱蛋白质分析
《Nature Communications》:ProteoAutoNet: high-throughput co-eluted protein analysis with robotics and machine learning
【字体: 大 中 小 】 时间:2026年01月24日 来源:Nature Communications 15.7
编辑推荐:
摘要共分离质谱(CF-MS)能够大规模地表征内源性蛋白质间的相互作用,但CF-MS数据的生成效率较低,因此预测模型的性能常常受到高质量训练数据稀缺性和多样性不足的限制。为了解决这一问题,我们提出了ProteoAutoNet这一机器人实验平台,它整合了用于高通量CF-MS分析的计算
共分离质谱(CF-MS)能够大规模地表征内源性蛋白质间的相互作用,但CF-MS数据的生成效率较低,因此预测模型的性能常常受到高质量训练数据稀缺性和多样性不足的限制。为了解决这一问题,我们提出了ProteoAutoNet这一机器人实验平台,它整合了用于高通量CF-MS分析的计算工作流程。该工作流程将样本处理从蛋白质复合物阶段提升到肽段的阶段的效率提高了约两倍。所集成的机器学习模型通过目标数据增强技术扩增和丰富可靠的蛋白质相互作用数据,从而提升了模型的鲁棒性。当将该模型应用于三种甲状腺细胞系时,研究人员预测出25,173种共洗脱的蛋白质,其AUCROC值为0.78。分析结果显示,在肺转移性滤泡状甲状腺癌细胞系FTC238中,蛋白酶体和prefoldin复合物的表达显著高于正常甲状腺细胞系Nthy-ori 3-1。值得注意的是,我们发现了TGM2与HK1之间的蛋白质相互作用,在乳头状甲状腺癌细胞系TPC-1中这种相互作用也表现出显著上调。ProteoAutoNet为研究蛋白质相互作用和揭示新的相互作用机制提供了改进的框架。
生物通微信公众号