如何計算假陽性率 (FDR)？

隨著蛋白質組學分離技術的進步和質量分析儀的改進，基於質譜的蛋白質組學在實驗研究中產生的資料呈指數增長趨勢。如此龐大的資料集需要自動化計算工具來進行高通量資料分析和方法統計控制。通常使用幾種流行的資料庫搜尋演算法中的一種或多種搜尋方式。這些檢索工具的匹配資料可能會有假陽性，在做出任何生物學解釋之前，需要對這些錯誤匹配的資料進行統計驗證。如果沒有這樣的程式，生物學推論就不成立，並且完全可能具有誤導性。同時，真假陽性之間有相當大的重疊，爲了控制匹配過程中的誤報資料，需要進行統計估計，以反映處理資料中存在的誤報數量。假陽性率 (FDR) 是大規模蛋白質組學資料集全域性置信度評估的指標。在FDR評估的目標-誘餌策略的常見應用中，針對複合目標蛋白質和誘餌蛋白質序列資料庫搜尋來自整個實驗的所有MS/MS譜圖。爲了計算 FDR，使用相同的搜尋引數搜尋記錄的MS/MS譜圖——無論是在真實（目標）資料庫中還是針對所有序列都已反轉或隨機化的誘餌資料庫。選擇每個光譜的最佳肽匹配進行進一步分析。對誘餌肽的匹配數進行計數，並用於估計使用各種分數閾值過濾資料而產生的假陽性率 (FDR)。更詳細地說，應用FDR評估的節點Percolator使用半監督機器學習來區分正確和不正確的肽譜匹配，並額外計算準確的肽譜統計數據，例如q值 (FDR) 和後驗錯誤機率。




相關服務:

• 生物資訊學分析