딥러닝을 이용한 인산화 단백질 동정 성능 향상

Abstract

Tandem mass spectrometry(MS/MS)는 펩타이드의 post-translational modification을 동정하기 위한 주요 기술이다. 그러나 phosphorylation의 동정은 database searching 혹은 spectral library matching으로 얻기 힘들다. 다른 unmodified peptide와는 다르게 phosphorylated peptide는 MS/MS fragmentation 과정 중에서 neutral loss가 더 많이 발생한다. 이러한 특성으로 인해 database searching의 결과로 얻는 phosphorylated peptide의 동정 이 다른 펩타이드에 비해 더 어렵다. 이를 위한 해결책으로 본 논문에서는 아미노산 서열과 phosphorylation site가 주어질 경우, singly 혹은 multiply phosphorylated peptide의 MS/MS를 예측해주는 딥 러닝 기반 모델인 DeepFrag를 제시한다. 특히, 최근 phosphorylation 의 정량 분석을 위해 isobaric labeling이 많이 사용되는 TMT를 적용했을 때의 질량 스펙트럼을 예측한다. DeepFrag를 이용하여 TMT-labeled phosphorylated peptide에 대한 spectral library를 만들고 CPTAC breast cancer dataset에 대한 동정 비율을 20% 증가시키는 결과를 얻을 수 있었다.