Getting more out of mass spectrophotometry-based proteomics using supervised learning approaches and on-the-fly data analysis

L'apprentissage automatique est un champ de l'intelligence artificielle. Il se base sur des approches statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune d’entre elles. Il permet donc de générer des programmes qui améliorent leurs performances lors de l'exécution d'une tâche donnée, en fonction de son expérience.

 

L'apprentissage automatique dit supervisé implique la création d'un modèle basé sur des échantillons de données auxquels sont associées des étiquettes de classe connues, par exemple la détermination de protéines qui changent en abondance entre des individus en bonne santé et des individus atteints d’une maladie ou la prédiction du statut de la maladie d'un nouvel échantillon sur la base de son abondance en protéines. Dans l’apprentissage non supervisé ou clustering, des échantillons avec des profils similaires sont regroupés, par exemple dans une détection de sous-groupes d'échantillons avec des profils protéiques quantitatifs homogènes (Vitek, 2009, Swan et al., 2013).

​

Les dernières années ont vu le développement d’algorithmes protéomique basés sur l’apprentissage automatique. Nous pouvons citer Percolator, WEKA, BioHEL, PeptideProphet.