.png){kind=icon}
返回
Semi-supervised Bayesian integration of multiple spatial proteomics datasets
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pcbi.1013799.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
蛋白质的亚细胞定位是其功能的关键决定因素。基于质谱的空间蛋白质组学可以对这些定位进行高通量分析，使我们能够检查蛋白质的定位和再定位。此外，互补的数据来源可以提供功能或定位信息的额外来源。例如，包括蛋白质注释和其他高通量“组学”实验。整合这些模态可以提供新的见解以及结果上的额外信心，但现有的空间蛋白质组学数据集整合分析方法，如基于串联的方法和类似KNN-TL的迁移学习策略，在它们能整合的数据类型上有限制，并且不对其预测进行不确定性量化。在这里，我们提出了一种半监督贝叶斯方法（其中模型参数从有标签的标记蛋白质和未标记数据中推断，同时量化预测不确定性），以整合空间蛋白质组学数据集与其他数据来源，以提高蛋白质亚细胞定位的推断。我们证明我们的方法优于其他迁移学习方法，并且在它可以建模的数据方面具有更大的灵活性——包括分类注释（例如，基因本体论术语）、连续测量（例如，蛋白质丰度）和时序特征（例如，时间序列表达数据）。为展示我们方法的灵活性，我们将该方法应用于整合为寄生虫Toxoplasma gondii生成的空间蛋白质组学数据与其细胞周期内生成的时间序列基因表达数据。我们的发现表明，与入侵细胞器相关的蛋白质与在第一个细胞周期末达到峰值的表达程序相关联。此外，这种整合分析将致密颗粒蛋白划分为异质种群，提示可能具有不同的功能。我们的方法通过mdir R软件包进行传播，该软件包可在第一作者的Github上获得。
Keyword:
GAUSSIAN PROCESS REGRESSION
ORGANELLE PROTEINS
MALARIA PARASITES
DISEASE
LOCALIZATION
INVASION
DISTRIBUTIONS
CYTOSKELETON
HYPERLOPIT
MIXTURES
期刊
P
IF:
3.6
论文数:
643
被引数:
0
机构
引用论文
.png){kind=icon}
Non-reversible parallel tempering: A scalable highly parallel MCMC scheme不可逆并行回火: 可扩展的高度并行MCMC方案
OAAI
OAAI分享收藏
查看更多内容