CN111739583A - 基于优化数据库（Sub-Lib）的数据非依赖性质谱检测方法 - Google Patents
基于优化数据库（Sub-Lib）的数据非依赖性质谱检测方法 Download PDFInfo
- Publication number
- CN111739583A CN111739583A CN202010773114.5A CN202010773114A CN111739583A CN 111739583 A CN111739583 A CN 111739583A CN 202010773114 A CN202010773114 A CN 202010773114A CN 111739583 A CN111739583 A CN 111739583A
- Authority
- CN
- China
- Prior art keywords
- dda
- public
- optimized
- dia
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 48
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 48
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims abstract 2
- 239000012634 fragment Substances 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 15
- 108010033276 Peptide Fragments Proteins 0.000 claims description 14
- 102000007079 Peptide Fragments Human genes 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 150000002500 ions Chemical group 0.000 description 36
- 241000894007 species Species 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 108010026552 Proteome Proteins 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 108090000765 processed proteins & peptides Proteins 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002331 protein detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于优化数据库(Sub‑Lib)的数据非依赖性质谱检测方法，包含以下步骤：采集待分析的第一DIA样本；从第一DIA样本中挑选一部分作为第二DIA样本；对第二DIA样本进行搜库定量分析得到第一蛋白质信息；根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库；使用优化DDA公共谱图库对第一DIA样本进行搜库定量分析得到第二蛋白质信息。本发明提供的基于优化数据库(Sub‑Lib)的数据非依赖性质谱检测方法根据部分待分析的样本从大型DDA公共谱图库中提取出一个数据量较少的优化DDA公共谱图库，再根据优化DDA公共谱图库对全部的样本进行分析。既可以节约成本，也能够提高数据分析效率。
Description
技术领域
本发明涉及一种基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法。
背景技术
定量蛋白质组学研究可从蛋白质组层面阐释某种生物现象的发生发展原因与规律，对生命科学以及人类自身疾病诊疗有重大意义。如对于肿瘤组织和非肿瘤组织的定量蛋白质组研究，可能发现某种肿瘤特异的蛋白质作为疾病的标志物，可用于肿瘤的早期诊断、确诊与分型。
在蛋白质组学研究中，人体组织等复杂样本往往能够检测到成千上万的蛋白，目前，数据非依赖性采集技术(Data independent acquisition，DIA)的蛋白质检测，通常需要先采用数据依赖性采集技术(Data dependent acquisition，DDA)对相同样本构建谱图库，再用谱图库对DIA数据进行鉴定。但这种方法往往由于经费原因(采集一个DDA样本费用较高，而构建谱图库需要数十个DDA样本)、样本量有限或在样品制备等方面的限制而难于实施。在这种情况下，可以使用公开免费的谱图库，但DIA数据分析的效果主要取决于先前获得谱图库的大小和组成，小谱图库可能导致识别数量减少，而一个大型库，如大型DDA公共谱图库，其中包含的数据量非常大，从而降低统计能力和计算速度。
发明内容
为解决现有技术的不足，本发明提供了一种可以解决上述问题的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法。
为了实现上述目标，本发明采用如下的技术方案：
一种基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，包含以下步骤：
采集待分析的第一DIA样本；
从第一DIA样本中挑选一部分作为第二DIA样本；
通过搜库软件使用大型DDA公共谱图库对第二DIA样本进行搜库定量分析得到第二DIA样本的第一蛋白质信息，其中，搜库软件的FDR值设定为第一预设值；
根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库；
通过搜库软件使用优化DDA公共谱图库对第一DIA样本进行搜库定量分析得到第一DIA样本的第二蛋白质信息，其中，搜库软件的FDR值设定为第二预设值，第二预设值小于第一预设值。
进一步地，第一蛋白质信息为肽段序列信息；
根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
根据肽段序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的肽段序列以及肽段序列对应的信息组成优化DDA公共谱图库。
进一步地，第一蛋白质信息为母离子序列信息；
根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
根据母离子序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的母离子序列以及母离子序列对应的信息组成优化DDA公共谱图库。
进一步地，第一蛋白质信息为第一碎片离子序列信息；
根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
根据第一碎片离子序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的碎片离子序列以及碎片离子序列对应的信息组成优化DDA公共谱图库。
进一步地，第一蛋白质信息为第一碎片离子序列信息；
根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
对第一碎片离子序列信息，提取同一个母离子下丰度排名前六的第一碎片离子序列信息组成第二碎片离子序列信息；
根据第二碎片离子序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的碎片离子序列以及碎片离子序列对应的信息组成优化DDA公共谱图库。
进一步地，第一DIA样本包含多个种类，第二DIA样本包含所有种类。
进一步地，第二DIA样本的数量占第一DIA样本的数量的20％-80％。
进一步地，第二DIA样本的数量占第一DIA样本的数量的30％。
进一步地，第一预设值小于等于0.05且大于0.01。
进一步地，第二预设值小于等于0.01且大于0.005。
本发明的有益之处在于提供的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，首先根据部分待分析的样本，从大型DDA公共谱图库中提取出一个数据量较少的优化DDA公共谱图库，再根据优化DDA公共谱图库对全部的样本进行分析得到分析结果。既可以节约成本，也能够提高数据分析效率。
附图说明
图1是本发明的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本发明的一种基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其中，Sub-Lib(subset library)表示对现有的大数据进行筛选得到的优化的从属数据库。主要包含以下步骤：S1:采集待分析的第一DIA样本。S2:从第一DIA样本中挑选一部分作为第二DIA样本。S3:通过搜库软件使用大型DDA公共谱图库对第二DIA样本进行搜库定量分析得到第二DIA样本的第一蛋白质信息，其中，搜库软件的FDR值设定为第一预设值。S4:根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库。S5:通过搜库软件使用优化DDA公共谱图库对第一DIA样本进行搜库定量分析得到第一DIA样本的第二蛋白质信息，其中，搜库软件的FDR值设定为第二预设值，第二预设值小于第一预设值。通过以上步骤，首先根据部分待分析的样本，从大型DDA公共谱图库中提取出一个数据量较少的优化DDA公共谱图库，再根据优化DDA公共谱图库对全部的样本进行分析得到分析结果。以下具体介绍上述步骤。
对于步骤S1:采集待分析的第一DIA样本。
首先采集待分析的第一DIA样本。
对于步骤S2:从第一DIA样本中挑选一部分作为第二DIA样本。
为了减少步骤S3的分析运算量，从第一DIA样本中挑选出一部分作为第二DIA样本用于步骤S3的初步分析工作。具体的，第一DIA样本包含多个种类，第二DIA样本包含所有种类，确保蛋白种类的多样性。
作为优选的实施方式，第二DIA样本的数量占第一DIA样本的数量的20％-80％。在本发明实施例中，第二DIA样本的数量占第一DIA样本的数量的30％。
对于步骤S3:通过搜库软件使用大型DDA公共谱图库对第二DIA样本进行搜库定量分析得到第二DIA样本的第一蛋白质信息，其中，搜库软件的FDR值设定为第一预设值。
具体而言，在蛋白质组学公共数据库中下载对应项目物种(本实施例中，物种选择人类)的大型DDA谱图库作为大型DDA公共谱图库，通过搜库软件，使用大型DDA公共谱图库对第二DIA样本进行搜库定量分析得到第二DIA样本的第一蛋白质信息。在本发明中，搜库软件为常用的DIA搜库软件，如OpenSWATH、Spectronaut和DIANN等。将搜库软件的FDR(False Discovery Rate，错误发现率)值设定为第一预设值。FDR值设定的越小，搜库得到的数据越少。第一预设值的范围为小于等于0.05且大于0.01，在本发明中，第一预设值取0.05。
步骤S4:根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库。
在步骤S3中，使用大型DDA公共谱图库对第二DIA样本进行搜库定量分析得到第二DIA样本的第一蛋白质信息为肽段序列信息、母离子序列信息和碎片离子序列信息中的一种。
作为一种具体的实施方式，第一蛋白质信息为肽段序列信。当第一蛋白质信息为肽段序列信息时，根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：根据肽段序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的肽段序列以及肽段序列对应的信息组成优化DDA公共谱图库。
作为一种可选的实施方式，第一蛋白质信息为母离子序列信息。当第一蛋白质信息为母离子序列信息时，根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：根据母离子序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的肽段序列以及肽段序列对应的信息组成优化DDA公共谱图库。
作为另一种可选的实施方式，第一蛋白质信息为碎片离子序列信息。具体的，当第一蛋白质信息为第一碎片离子序列信息时，根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：根据第一碎片离子序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的碎片离子序列以及碎片离子序列对应的信息组成优化DDA公共谱图库。
进一步地，为了减少数据分析量，提高数据分析效率，当第一蛋白质信息为第一碎片离子序列信息时，根据第一蛋白质信息对大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：对第一碎片离子序列信息，提取同一个母离子下丰度排名前六的第一碎片离子序列信息组成第二碎片离子序列信息。根据第二碎片离子序列信息从大型DDA公共谱图库进行匹配，筛选出所有符合条件的碎片离子序列以及碎片离子序列对应的信息组成优化DDA公共谱图库。通过取每个母离子下排名前六的碎片离子的序列信息，减少了数据运算量。
对于步骤S5:通过搜库软件使用优化DDA公共谱图库对第一DIA样本进行搜库定量分析得到第一DIA样本的第二蛋白质信息，其中，搜库软件的FDR值设定为第二预设值，第二预设值小于第一预设值。
通过步骤S4，对大型DDA公共谱图库进行了筛选优化得到了优化DDA公共谱图库，步骤S5中，通过优化DDA公共谱图库对全部的第一DIA样本进行搜库定量分析得到第一DIA样本的第二蛋白质信息。搜库软件的FDR值设定为第二预设值，且第二预设值小于第一预设值。一般，第二预设值的范围为小于等于0.01且大于0.005，在本实施例中，第二预设值取值为0.01。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，包含以下步骤：
采集待分析的第一DIA样本；
从所述第一DIA样本中挑选一部分作为第二DIA样本；
通过搜库软件使用大型DDA公共谱图库对所述第二DIA样本进行搜库定量分析得到所述第二DIA样本的第一蛋白质信息，其中，搜库软件的FDR值设定为第一预设值；
根据所述第一蛋白质信息对所述大型DDA公共谱图库进行优化得到优化DDA公共谱图库；
通过搜库软件使用所述优化DDA公共谱图库对所述第一DIA样本进行搜库定量分析得到所述第一DIA样本的第二蛋白质信息，其中，搜库软件的FDR值设定为第二预设值，所述第二预设值小于所述第一预设值。
2.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第一蛋白质信息为肽段序列信息；
所述根据所述第一蛋白质信息对所述大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
根据所述肽段序列信息从所述大型DDA公共谱图库进行匹配，筛选出所有符合条件的肽段序列以及所述肽段序列对应的信息组成所述优化DDA公共谱图库。
3.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第一蛋白质信息为母离子序列信息；
所述根据所述第一蛋白质信息对所述大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
根据所述母离子序列信息从所述大型DDA公共谱图库进行匹配，筛选出所有符合条件的母离子序列以及所述母离子序列对应的信息组成所述优化DDA公共谱图库。
4.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第一蛋白质信息为第一碎片离子序列信息；
所述根据所述第一蛋白质信息对所述大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
根据所述第一碎片离子序列信息从所述大型DDA公共谱图库进行匹配，筛选出所有符合条件的碎片离子序列以及所述碎片离子序列对应的信息组成所述优化DDA公共谱图库。
5.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第一蛋白质信息为第一碎片离子序列信息；
所述根据所述第一蛋白质信息对所述大型DDA公共谱图库进行优化得到优化DDA公共谱图库的具体方法为：
对所述第一碎片离子序列信息，提取同一个母离子下丰度排名前六的所述第一碎片离子序列信息组成第二碎片离子序列信息；
根据所述第二碎片离子序列信息从所述大型DDA公共谱图库进行匹配，筛选出所有符合条件的碎片离子序列以及所述碎片离子序列对应的信息组成所述优化DDA公共谱图库。
6.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第一DIA样本包含多个种类，所述第二DIA样本包含所有种类。
7.根据权利要求6所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第二DIA样本的数量占所述第一DIA样本的数量的20％-80％。
8.根据权利要求7所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第二DIA样本的数量占所述第一DIA样本的数量的30％。
9.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第一预设值小于等于0.05且大于0.01。
10.根据权利要求1所述的基于优化数据库(Sub-Lib)的数据非依赖性质谱检测方法，其特征在于，
所述第二预设值小于等于0.01且大于0.005。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773114.5A CN111739583B (zh) | 2020-08-04 | 2020-08-04 | 基于优化数据库（Sub-Lib）的数据非依赖性质谱检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773114.5A CN111739583B (zh) | 2020-08-04 | 2020-08-04 | 基于优化数据库（Sub-Lib）的数据非依赖性质谱检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111739583A true CN111739583A (zh) | 2020-10-02 |
| CN111739583B CN111739583B (zh) | 2024-08-02 |
Family
ID=72657103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010773114.5A Active CN111739583B (zh) | 2020-08-04 | 2020-08-04 | 基于优化数据库（Sub-Lib）的数据非依赖性质谱检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111739583B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115267033A (zh) * | 2022-08-05 | 2022-11-01 | 西湖大学 | 基于质谱数据的宏蛋白质组学分析方法及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103245714A (zh) * | 2013-03-25 | 2013-08-14 | 暨南大学 | 基于候选肽段区分度标记图谱的蛋白质二级质谱鉴定方法 |
| CN108388774A (zh) * | 2018-01-17 | 2018-08-10 | 中国石油大学(华东) | 一种多肽谱匹配数据的在线分析方法 |
| CN110438191A (zh) * | 2019-09-16 | 2019-11-12 | 什邡新汇水产养殖专业合作社 | 一种生产含活性寡肽的大鲵蛋白酶解液的方法 |
| CN110554134A (zh) * | 2018-05-30 | 2019-12-10 | 中国科学院上海生命科学研究院 | 临床血液样本分析方法及应用 |
| CN111208240A (zh) * | 2020-02-28 | 2020-05-29 | 北京师范大学 | 用于诊断黑色素瘤的尿液蛋白标记物 |
-
2020
- 2020-08-04 CN CN202010773114.5A patent/CN111739583B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103245714A (zh) * | 2013-03-25 | 2013-08-14 | 暨南大学 | 基于候选肽段区分度标记图谱的蛋白质二级质谱鉴定方法 |
| CN108388774A (zh) * | 2018-01-17 | 2018-08-10 | 中国石油大学(华东) | 一种多肽谱匹配数据的在线分析方法 |
| CN110554134A (zh) * | 2018-05-30 | 2019-12-10 | 中国科学院上海生命科学研究院 | 临床血液样本分析方法及应用 |
| CN110438191A (zh) * | 2019-09-16 | 2019-11-12 | 什邡新汇水产养殖专业合作社 | 一种生产含活性寡肽的大鲵蛋白酶解液的方法 |
| CN111208240A (zh) * | 2020-02-28 | 2020-05-29 | 北京师范大学 | 用于诊断黑色素瘤的尿液蛋白标记物 |
Non-Patent Citations (1)
| Title |
|---|
| XU ZHANG ETAL.: ""MetaPro-IQ: a universal metaproteomic approach to studying human and mouse gut microbiota"", 《MICROBIOME》, 31 December 2016 (2016-12-31), pages 1 - 12 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115267033A (zh) * | 2022-08-05 | 2022-11-01 | 西湖大学 | 基于质谱数据的宏蛋白质组学分析方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111739583B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11646185B2 (en) | System and method of data-dependent acquisition by mass spectrometry | |
| JP4768189B2 (ja) | 非標的化複雑試料分析の方法 | |
| Goeminne et al. | Experimental design and data-analysis in label-free quantitative LC/MS proteomics: A tutorial with MSqRob | |
| CN107328842B (zh) | 基于质谱谱图的无标蛋白质定量方法 | |
| CN110838340B (zh) | 一种不依赖数据库搜索的蛋白质生物标志物鉴定方法 | |
| US8987662B2 (en) | System and method for performing tandem mass spectrometry analysis | |
| WO2004070523A2 (en) | Data management system and method for processing signals from sample spots | |
| CN109061020A (zh) | 一种基于气相/液相色谱质谱平台的数据分析系统 | |
| CN109946413B (zh) | 脉冲式数据非依赖性采集质谱检测蛋白质组的方法 | |
| CN113777178A (zh) | 基于混合谱图库的蛋白质组学背景库、其构建方法及应用 | |
| CN111739583B (zh) | 基于优化数据库（Sub-Lib）的数据非依赖性质谱检测方法 | |
| CN114577972B (zh) | 一种用于体液鉴定的蛋白质标志物筛选方法 | |
| WO2006129401A1 (ja) | プロテオーム網羅的解析における特異的蛋白質のスクリーニング方法 | |
| KR101311412B1 (ko) | 당 동정을 위한 새로운 생물정보처리 분석 방법 | |
| CN113514530A (zh) | 一种基于敞开式离子源的甲状腺恶性肿瘤诊断系统 | |
| Pfeifer et al. | Leveraging R (LevR) for fast processing of mass spectrometry data and machine learning: Applications analyzing fingerprints and glycopeptides | |
| Xue et al. | Protein probabilities in shotgun proteomics: Evaluating different estimation methods using a semi‐random sampling model | |
| Zhang et al. | Phenotype Prediction using a Tensor Representation and Deep Learning from Data Independent Acquisition Mass Spectrometry | |
| Lynn et al. | An Automated Identification Tool for LC-MS Based Metabolomics Studies | |
| Gao et al. | DreamDIA-XMBD: deep representation features improve the analysis of data-independent acquisition proteomics | |
| CN116400083A (zh) | 一种融合靶向和非靶向的蛋白组学质谱分析方法 | |
| Webb-Robertson | Computational Proteomics: Session Introduction Bobbie-Jo Webb-Robertson, William Cannon, Joshua Adkins, and Deborah Gracio Pacific Symposium on Biocomputing 11: 212-218 (2006) | |
| CN118604208A (zh) | 判别野生与养殖鲢的核苷酸类代谢标志物及用途 | |
| CN114428139A (zh) | 代谢标志物及在制备高尿酸血症的风险预测试剂盒方面中的应用和试剂盒 | |
| CN116665788A (zh) | 搜库软件在非靶代谢的靶向验证代谢物分析中的应用及分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210518 Address after: Room 503, building 1, No.1 Yunmeng Road, Zhuantang street, Xihu District, Hangzhou City, Zhejiang Province 310012 Applicant after: West Lake OMI (Hangzhou) Biotechnology Co.,Ltd. Address before: No. 18, Shilongshan street, Zhuantang street, Xihu District, Hangzhou City, Zhejiang Province, 310012 Applicant before: WESTLAKE University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |