В исследовании анализируется эффективность применения различных алгоритмов машинного обучения для рескоринга совпадений пептид-спектров (PSM) в масс-спектрометрической протеомике. Авторы сравнивают стандартные линейные модели (LSVM) с более сложными нелинейными алгоритмами, такими как Random Forest и XGBoost, доступными в инструменте Mokapot. С помощью метода «ловушки» (entrapment approach) было выявлено, что усложнение моделей приводит к росту числа идентифицированных PSM, однако этот прирост является следствием переобучения и смещения в сторону случайных совпадений с целевой базой данных. В частности, для наиболее сложных моделей фактический уровень ложноположительных результатов (entrapment FDR) достиг 6,3%, в то время как расчетный показатель (decoy FDR) составлял всего 1%. Таким образом, чрезмерная сложность моделей создает иллюзию высокой точности и дает неоправданно оптимистичные оценки FDR. Результаты подчеркивают критическую необходимость баланса между сложностью алгоритма и риском переобучения при автоматизированном анализе протеомных данных.