Wissenschaftlern des Hasso-Plattner-Instituts (HPI) ist es unter Leitung von Professor Bernhard Renard nun gemeinsam mit anderen Partnern gelungen, diesem Ziel näher zu kommen: durch die Kombination eines Deep-Learning-Modells mit herkömmlichen algorithmischen Methoden. Im renommierten Wissenschaftsmagazin Nature Machine Intelligence stellen sie «Ad hoc learning of fragmentation» (AHLF) vor, ein Deep-Learning-Modell, das auf Massenspektren mit knapp 20 Millionen Datenpunkte trainiert wurde und die Phosphopeptid-Identifizierungen um bis zu 15 Prozent gegenüber herkömmlichen Methoden verbessern konnte.

Neben der genaueren Analyse und Auswertung von Proteinen ist auch die Interpretierbarkeit von AHLF ein weiterer Vorteil. «Im Vergleich zu vielen anderen Ansätzen ist AHLF keine Blackbox, sondern interpretierbar. Es ist also transparent, wie genau AHLF in den Massenspektren Muster von Proteinen erkennt, die bisher teils weniger oder noch gar nicht erforscht wurden», so Professor Bernhard Renard, der das Fachgebiet Data Analytics and Computational Statistics am HPI leitet.