Pada perkembangan terbaru dalam bidang kesehatan, model deep learning telah menunjukkan kemajuan signifikan dalam identifikasi protein dan prediksi gangguan depresi. Model yang dikenal sebagai Prosit berhasil meningkatkan identifikasi protein rata-rata lebih dari 10 persen untuk akuisisi data dependen dan independen di semua teknik fragmentasi.

Dalam konteks gangguan depresi mayor (MDD), model deep learning mencapai akurasi rata-rata 67,5 persen dalam membedakan pasien MDD dari kontrol sehat. Selain itu, model ini juga menunjukkan akurasi 79 persen dalam memprediksi responden terhadap pengobatan dengan selective serotonin reuptake inhibitors (SSRI).

Model deep learning ini dilatih menggunakan enam dataset independen besar, yang mencakup total 146 subjek sehat dan 203 pasien. Dengan pelatihan yang luas ini, model mampu memberikan prediksi yang lebih akurat dan dapat diandalkan dalam konteks klinis.

Untuk meningkatkan interpretasi fitur klasifikasi, teknik Gradient-weighted Class Activation Mapping (Grad-CAM) diterapkan. Ini memungkinkan para peneliti untuk memahami lebih baik bagaimana model membuat keputusan, yang sangat penting dalam konteks medis.

Simulasi skenario keputusan klinis menunjukkan bahwa dengan menggunakan model yang memiliki akurasi prediksi 80 persen, number needed to treat (NNT) dapat mencapai 5. Ini berarti bahwa hanya lima pasien yang perlu dirawat untuk mendapatkan satu respon positif terhadap pengobatan, yang menunjukkan efisiensi tinggi dari model ini.

Model lain yang dikenal sebagai PredFull juga menunjukkan kemampuan untuk memprediksi jenis ion alternatif dari data ETD. Selain itu, model deep learning seperti Prosit dan pDeep telah mendapatkan popularitas dalam meningkatkan identifikasi peptida melalui prediksi spektrum fragmentasi.

Penggunaan instrumen hibrida Orbitrap-Omnitrap memberikan akses ke jenis CID umum dan berbagai teknik disosiasi berbasis laser dan elektron. Data rescoring juga memberikan kesempatan untuk memeriksa kemanjuran setiap enzim dan teknik disosiasi untuk analisis proteom, yang semakin memperkuat aplikasi deep learning dalam bidang ini.

Keanekaragaman urutan peptida dapat ditingkatkan melalui penggunaan lebih banyak protease, yang menunjukkan bahwa ada potensi lebih lanjut untuk eksplorasi dalam penelitian ini. Model prediksi spektral yang dapat dipindahkan dan tersedia secara bebas sebagai ‘Prosit_2025_intensity_MultiFrag’ juga menunjukkan komitmen untuk berbagi pengetahuan dan alat dalam komunitas ilmiah.

Artikel Deep learning: Kemajuan dalam Identifikasi Protein dan Prediksi Gangguan Depresi pertama kali tampil pada wartawarganews.