Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen:
Autoren: Bob, Konstantin
Teschner, David
Kemmer, Thomas
Gomez-Zepeda, David
Tenzer, Stefan
Schmidt, Bertil
Hildebrandt, Andreas
Titel: Locality-sensitive hashing enables efficient and scalable signal classification in high-throughput mass spectrometry raw data
Online-Publikationsdatum: 30-Nov-2022
Erscheinungsdatum: 2022
Sprache des Dokuments: Englisch
Zusammenfassung/Abstract: Background: Mass spectrometry is an important experimental technique in the field of proteomics. However, analysis of certain mass spectrometry data faces a combination of two challenges: first, even a single experiment produces a large amount of multi-dimensional raw data and, second, signals of interest are not single peaks but patterns of peaks that span along the different dimensions. The rapidly growing amount of mass spectrometry data increases the demand for scalable solutions. Furthermore, existing approaches for signal detection usually rely on strong assumptions concerning the signals properties. Results: In this study, it is shown that locality-sensitive hashing enables signal classification in mass spectrometry raw data at scale. Through appropriate choice of algorithm parameters it is possible to balance false-positive and false-negative rates. On synthetic data, a superior performance compared to an intensity thresholding approach was achieved. Real data could be strongly reduced without losing relevant information. Our implementation scaled out up to 32 threads and supports acceleration by GPUs. Conclusions: Locality-sensitive hashing is a desirable approach for signal classification in mass spectrometry raw data.
DDC-Sachgruppe: 004 Informatik
004 Data processing
Veröffentlichende Institution: Johannes Gutenberg-Universität Mainz
Organisationseinheit: FB 08 Physik, Mathematik u. Informatik
Veröffentlichungsort: Mainz
Version: Published version
Publikationstyp: Zeitschriftenaufsatz
Weitere Angaben zur Dokumentart: Scientific article
Nutzungsrechte: CC BY
Informationen zu den Nutzungsrechten:
Zeitschrift: BMC bioinformatics
Seitenzahl oder Artikelnummer: 287
Verlag: Springer Nature
Verlagsort: London
Erscheinungsdatum: 2022
ISSN: 1471-2105
DOI der Originalveröffentlichung: 10.1186/s12859-022-04833-5
Enthalten in den Sammlungen:DFG-491381577-G

Dateien zu dieser Ressource:
  Datei Beschreibung GrößeFormat
localitysensitive_hashing_ena-20221129143959201.pdf2.16 MBAdobe PDFÖffnen/Anzeigen