масс-спектрометрия

В данной научной работе представлен новый статистический рабочий процесс (workflow) для обнаружения дифференциально представленных аналитов в экспериментах масс-спектрометрической визуализации (MSI) со сложным дизайном. Исследование фокусируется на критических аспектах обработки сигналов, выборе областей интереса (ROI) и методологии статистического анализа для выявления пространственной гетерогенности молекул. Авторы протестировали предложенный метод на гистологических образцах плато большеберцовой кости человека, сравнивая пациентов с остеоартритом и контрольную группу (кадавры), а также на симулированных наборах данных. Результаты демонстрируют, что правильная агрегация признаков и предварительная обработка сигналов позволяют сохранить биологическую релевантность и снизить строгость поправки на множественную проверку гипотез. В статье проводится сравнительный анализ различных статистических моделей и обосновывается важность использования репликации для корректной интерпретации данных. Итогом работы является открытая реализация на языке R, которая позволяет исследователям стандартизировать процесс анализа и проводить расчет необходимого размера выборки для последующих клинических исследований.

Исследование представляет новый подход к генерации декой-баз данных в протеомике с использованием языковых моделей белков (PLM) для оценки ложных открытий при идентификации пептидов. Авторы сравнивают PLM-декои с классическими методами (реверс и перемешивание) через три уровня контроля качества: сепарабельность на уровне последовательности, спектральные диагностические метрики и полные конвейеры масс-спектрометрии. Результаты показывают, что PLM-декои сложнее для нейросетей, работающих только с последовательностью, что указывает на меньшее количество артефактов на уровне последовательности. Однако спектральный анализ выявил, что короткие пептиды занимают особенно перенаселённое пространство целевой-декоя и подвержены локальным коллизиям при всех генераторах. В полных поисковых конвейерах обратные декои остаются сильным базовым уровнем, а текущие PLM-генераторы не обеспечивают явного общего преимущества. Исследователи рассматривают PLM-декои не как универсальную замену, а как настраиваемые инструменты для бенчмаркинга, диагностики, стресс-тестирования и будущей адаптивной оптимизации декой-баз.