一种新的基于多重液相色谱-质谱实验肽信号峰形相似性的校准算法

提出了一种基于多次重复液相色谱-质谱(LC-MS)实验,结合肽信号时间差校准的峰形相似性统计学习模型,解决了重复实验数据肽链校准匹配准确性与覆盖率低的问题。采用统计学习的方法,首先建立时间差统计模型,结果表明仅靠时间特征无法完全消除校准误差。因此,除了时间特征,引入了峰形相似性特征,即认为同一种肽链在多次重复实验谱图中会产生相似的LC峰形。通过选取训练数据集,提出了一种新的基于LC峰形相似性的肽信号校准算法,并通过测试序列完成模型测试。结果表明,改进算法的准确率达98. 3%;将该数学模型应用于校准匹配两个实验数据的所有LC-MS/MS肽链,其覆盖率达91. 0%。峰形相似性特征结合时间特征可以提升多次重复LC-MS实验中相关肽链信号的匹配校准的准确性与覆盖率。