一种肽段液相色谱保留时间预测方法及系统技术方案

本发明专利技术提出一种肽段液相色谱保留时间预测方法及系统，涉及生物信息学，该方法包括对原始质谱数据文件进行搜索，获取肽段‑谱图匹配作为鉴定结果，对于所述鉴定结果中FDR小于1％的来自目标库的肽段‑谱图匹配，提取肽段‑谱图匹配中相应肽段的实验保留时间，并设置训练样本与测试样本；使用所述训练样本，将带有修饰的氨基酸作为新氨基酸，建立多元线性回归模型，使用梯度下降法求解每种氨基酸的保留系数；对所述训练样本中的每条肽段，提取56维特征，并计算相应的特征值；建立预测模型，对所述测试样本中已知序列的肽段进行保留时间预测。本发明专利技术可以用于不同色谱条件下带有修饰的肽段的保留时间预测，大大提升了速度，在不同的数据集合上与Elude对比，速度加快了30倍以上。

【技术实现步骤摘要】

本专利技术涉及生物信息学，液相色谱保留时间预测，特别涉及一种肽段液相色谱保留时间预测方法及系统。
技术介绍
现有技术中使用“鸟枪法”鉴定蛋白质时，在肽段进入质谱仪之前，要用色谱法对其进行分离，避免由于肽段数目过多，一次性输入质谱仪而造成严重的信号叠加，肽段在被注入色谱的强度达到最高时经历的时间为保留时间，保留时间是独立于质谱信息之外的另一维重要信息，在一定的反向液相色谱条件下，不同肽段的保留时间不同，根据肽段的序列等信息，可以对肽段在色谱中的保留时间进行预测，并将保留时间预测结果与质谱信息相结合，用于提高肽段鉴定结果的灵敏度或可靠性。现有的主要的保留时间预测软件有SSCalc、BioLCC、Elude等，它们有的只支持特定色谱条件下的预测，有的不能支持有修饰肽段的预测，且运行效率低下，不能满足当前数据处理的要求。现有的技术存在三大问题或缺点：1.现有的技术能支持不同色谱条件下预测保留时间的较少。当色谱条件发生变化时，肽段的保留时间会相应发生变化，原有模型不再适用。2.现有的技术大多针对常规的肽段，对修饰肽段的支持较少。研究发现，特定修饰会影响肽段的保留时间，当肽段发生修饰时，现有模型预测不准。3.现有的技术处理数据效率不高，如知名软件Elude在多个测试数据集上的运行时间普遍在20分钟以上。专利技术人在进行肽段的色谱保留时间预测研究时，发现现有技术往往只支持特定色谱条件下的预测，并且只支持常规肽段的预测，这一方面是由于现有的研究方法比较局限，一些实验室只研究特定色谱条件下的数据集，针对该数据集挑选的参数不适用于别的色谱条件；一方面是由于研究者没有认识到修饰对肽段保留时间的重要影响，同时，现有的技术普遍效率不高，是由于挑选参数的过程非常耗时。专利技术创造“一种高效液相色谱峰保留时间预测方法”，该专利技术涉及一种高效液相色谱峰保留时间预测方法。该方法包括：测定各种样品的各种成分的标准保留时间，在每个样品的目标成分中选择两个成分作为该样品的双标对照成分，获得双标对照成分在待测样品的供试品溶液中的实测保留时间，获得其他目标成分的实测保留时间，进行两点验证和多点验证等步骤。采用该专利技术提供的高效液相色谱峰保留时间预测方法能够准确预测待测样品的各种成分的色谱峰的保留时间，进而对待测样品的色谱峰进行定性，进行待测样品的鉴别。该专利技术所提供的方法具有较高的预测精度，适用的色谱柱数量多，明显优于现有的相对保留时间法。该专利技术通过测定各种样品成分的标准保留时间，利用标记对照成分在待测样品中的实验保留时间，推算其他目标成分相对的保留时间，与本专利技术不同，本专利技术不需要选择标记成分，只要获得色谱实验中任意一部分肽段的实验保留时间，就能预测出已知序列肽段的保留时间，更加一般化。专利技术创造“一种预测反相高效液相色谱梯度洗脱模式保留时间的方法”，该方法获取描述流动相组成和容量因子关系的保留方程；运用塔板理论对线性多阶梯度洗脱条件近似处理，获取第i阶段梯度洗脱的起始体积分数和对应的保留因子ki；通过起始体积分数和对应的保留因子ki获取待测化合物在流动相中的浓度，根据待测化合物在流动相中的浓度计算出待测化合物保留时间。该方法高精度的预测出任意梯度条件下的保留时间，且预测过程简单；通过三个实施例验证了该方法的可行性，且当保留时间考虑仪器的滞留时间时，进一步提高了保留时间的精度。该专利技术基于塔板理论，使用人工构造的保留方程预测保留时间，属于使用实验参数构造经验公式的方法，与本专利技术不同，本专利技术不需要构造经验公式，通过分析并使用多维特征描述实验肽段在该色谱条件下的理化性质，就可以预测待测肽段的保留时间。
技术实现思路
针对现有技术的不足，本专利技术提出一种肽段液相色谱保留时间预测方法及系统。本专利技术提出一种肽段液相色谱保留时间预测方法，包括：步骤1，对原始质谱数据文件进行搜索，获取肽段-谱图匹配作为鉴定结果，对于所述鉴定结果中FDR小于1％的来自目标库的肽段-谱图匹配，提取肽段-谱图匹配中相应肽段的实验保留时间，并设置训练样本与测试样本；步骤2，使用所述训练样本，将带有修饰的氨基酸作为新氨基酸，建立多元线性回归模型，使用梯度下降法求解每种氨基酸的保留系数；步骤3，对所述训练样本中的每条肽段，提取56维特征，并计算相应的特征值；步骤4，建立预测模型，对所述测试样本中已知序列的肽段进行保留时间预测。所述步骤1包括：步骤11，根据修饰位点，对肽段分别进行处理；步骤12，对于同一条肽段对应多张二级谱图的情况，选取得分最高的肽段，提取实验保留时间；步骤13，提取实验保留时间时，对于给定质荷比的肽段，在连续的一级谱图上查找其信号，并记录所述信号的最高强度，当前强度小于最高强度的10％时停止查找，确定信号的起止点，将最高强度对应的时间作为肽段的实验保留时间；步骤24，在处理每条肽段的过程中，统计出现修饰的名称和频率，并进行存储。所述步骤2包括：步骤21，将所述新氨基酸与现有的20种自然界中存在的氨基酸一起，构造多元线性回归公式，所述多元线性回归公式如下：T＝∑(Ri*Ni)+b+ε其中，Ri表示组成肽段的各种氨基酸的保留系数，Ni为各种氨基酸的个数，b为死时间，ε为随机误差；步骤22，为了避免梯度下降的步长过小，造成收敛速度慢，以及步长过大，导致不收敛，经过测试，现将步长设置为0.000001。所述步骤4中建立所述建立预测模型的步骤包括：步骤41，根据所述特征值，建立预测模型，如下所示： m i n 1 2 | | w | | 2 ]]>约束条件为||yi-(wTxi+b)||≤ε,i＝1,…,n，其中ε≥0，ε表示预测保留时间和实际保留时间之间最大的差距；yi表示实际保留时间；xi表示所述预测模型中各维特征的取值；w表示各维特征的权重，wT为w的转置矩阵；b表示死时间；步骤42，若所述测试样本中出现所述训练样本中未出现的修饰，则将带有所述未出现的修饰的氨基酸按照常规的氨基酸处理。本专利技术还提出一种肽段液相色谱保留时间预测系统，包括：匹配模块，对原始质谱数据文件进行搜索，获取肽段-谱图匹配作为鉴定结果，对于所述鉴定结果中FDR小于1％的来自目标库的肽段-谱图匹配，提取肽段-谱图匹配中相应肽段的实验保留时间，并设置训练样本与测试样本；建立多元线性回归模型模块，用于使用所述训练样本，将带有修饰的氨基酸作为新氨基酸，建立多元线性回归模型，使用梯度下降法求解每种氨基酸的保留系数；计算特征值模块，用于对所述训练样本中的每条肽段，提取56维特征，并计算相应的特征值；建立预测模型模块，用于建立预测模型，对所述测试样本中已知序列的肽段进行保留时间预测。所述匹配模块包括：根据修饰位点，对肽段分别进行处理；对于同一条肽段对应多张二级谱图的情况，选取得分最高的肽段，提取实验保留时间；提取实验保留时间时，对于给定质荷比的肽段，在连续的一级谱图上查找其信号，并记录所述信号的最高强度，当前强度小于最高强度的10％时停止查找，确定信号的起止点，将最高强度对应的时间作为肽段的实验保留时间；在处理每条肽段的过程中，统计出现修饰的名称和频率，并进行存储。所述建立多元线性回归模型模块包括：将所述新氨基酸与本文档来自技高网...

【技术保护点】
一种肽段液相色谱保留时间预测方法，其特征在于，包括：步骤1，对原始质谱数据文件进行搜索，获取肽段‑谱图匹配作为鉴定结果，对于所述鉴定结果中FDR小于1％的来自目标库的肽段‑谱图匹配，提取肽段‑谱图匹配中相应肽段的实验保留时间，并设置训练样本与测试样本；步骤2，使用所述训练样本，将带有修饰的氨基酸作为新氨基酸，建立多元线性回归模型，使用梯度下降法求解每种氨基酸的保留系数；步骤3，对所述训练样本中的每条肽段，提取56维特征，并计算相应的特征值；步骤4，建立预测模型，对所述测试样本中已知序列的肽段进行保留时间预测。

【技术特征摘要】
1.一种肽段液相色谱保留时间预测方法，其特征在于，包括：步骤1，对原始质谱数据文件进行搜索，获取肽段-谱图匹配作为鉴定结果，对于所述鉴定结果中FDR小于1％的来自目标库的肽段-谱图匹配，提取肽段-谱图匹配中相应肽段的实验保留时间，并设置训练样本与测试样本；步骤2，使用所述训练样本，将带有修饰的氨基酸作为新氨基酸，建立多元线性回归模型，使用梯度下降法求解每种氨基酸的保留系数；步骤3，对所述训练样本中的每条肽段，提取56维特征，并计算相应的特征值；步骤4，建立预测模型，对所述测试样本中已知序列的肽段进行保留时间预测。2.如权利要求1所述的肽段液相色谱保留时间预测方法，其特征在于，包括：所述步骤1包括：步骤11，根据修饰位点，对肽段分别进行处理；步骤12，对于同一条肽段对应多张二级谱图的情况，选取得分最高的肽段，提取实验保留时间；步骤13，提取实验保留时间时，对于给定质荷比的肽段，在连续的一级谱图上查找其信号，并记录所述信号的最高强度，当前强度小于最高强度的10％时停止查找，确定信号的起止点，将最高强度对应的时间作为肽段的实验保留时间；步骤24，在处理每条肽段的过程中，统计出现修饰的名称和频率，并进行存储。3.如权利要求1所述的肽段液相色谱保留时间预测方法，其特征在于，包括：所述步骤2包括：步骤21，将所述新氨基酸与现有的20种自然界中存在的氨基酸一起，构造多元线性回归公式，所述多元线性回归公式如下：T＝∑(Ri*Ni)+b+ε其中，Ri表示组成肽段的各种氨基酸的保留系数，Ni为各种氨基酸的个数，b为死时间，ε为随机误差；步骤22，为了避免梯度下降的步长过小，造成收敛速度慢，以及步长过大，导致不收敛，经过测试，现将步长设置为0.000001。4.如权利要求1所述的肽段液相色谱保留时间预测方法，其特征在于，包括：所述步骤4中建立所述建立预测模型的步骤包括：步骤41，根据所述特征值，建立预测模型，如下所示： m i n 1 2 | | w | | 2 ]]>约束条件为||yi-(wTxi+b)||≤ε,i＝1,…,n，其中ε≥0，ε表示预测保留时间和实际保留时间之间最大的差距；yi表示实际保留时间；xi表示所述预测模型中各维特征的取值；w表示各维特征的权重，wT为w的转置矩阵；b表示死时间；步骤42，若所述测试样本中出现所述训练样本中未出现的修饰，则将带有所述未出现的修饰的氨基酸按照常规的氨基酸处理...

【专利技术属性】
技术研发人员：涂慧君，刘超，迟浩，贺思敏，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11