Mass spectrometry-based proteomics is the leading technology to identify peptides. The identification strongly relies on software with database searching, and spectral library matching being two successful approaches. Both benefit from accurate predictions. This work presents a deep learning model whose predictions exceed experimental spectra from synthetic peptides in quality. It can be calibrated to different conditions and generalizes to various proteases. The utility of the model is shown in the context of both: database searching and spectral library matching.     «

Mass spectrometry-based proteomics is the leading technology to identify peptides. The identification strongly relies on software with database searching, and spectral library matching being two successful approaches. Both benefit from accurate predictions. This work presents a deep learning model whose predictions exceed experimental spectra from synthetic peptides in quality. It can be calibrated to different conditions and generalizes to various proteases. The utility of the model is shown in...     »

Massenspektrometriebasierte Proteomik ist die führende Technologie zur Identifizierung von Peptiden und stützt sich wesentlich auf Software. Die Suche in Sequenzdatenbanken und der Abgleich mit Spektralbibliotheken sind zwei Identifikationsansätze, die von akkuraten Vorhersagen von Spektren profitieren. Diese Arbeit stellt ein Deep Learning-basiertes Modell vor, dessen Vorhersagen die Qualität experimenteller Spektren von synthetischen Peptiden übertreffen. Es lässt sich für unterschiedliche Bedingungen kalibrieren und generalisiert für mehrere Proteasen. Prosits Nutzen wird im Kontext beiden Identifikationsansätzen gezeigt.     «

Massenspektrometriebasierte Proteomik ist die führende Technologie zur Identifizierung von Peptiden und stützt sich wesentlich auf Software. Die Suche in Sequenzdatenbanken und der Abgleich mit Spektralbibliotheken sind zwei Identifikationsansätze, die von akkuraten Vorhersagen von Spektren profitieren. Diese Arbeit stellt ein Deep Learning-basiertes Modell vor, dessen Vorhersagen die Qualität experimenteller Spektren von synthetischen Peptiden übertreffen. Es lässt sich für unterschiedliche Bed...     »