生物體中的蛋白質組逆問題的貝葉斯解是什麼？主要作用是什麼？
生物體中的細胞根據其臨床狀态（例如健康/病理）釋放不同數量的蛋白質。由此産生的蛋白質組學概況可用于早期檢測、診斷和治療計劃。
生物體的細胞會根據其臨床狀态（例如，由基因改造或功能障礙引起的正常/瘋狂、藥物的有效性/無效性）釋放不同數量的蛋白質。在蛋白質組學中，分析活檢樣本中的生物體液（例如血液或尿液）中的分泌蛋白或細胞蛋白質組。由此産生的蛋白質組學概況，即收集到的有關蛋白質濃度的資訊，可用于診斷、早期檢測、治療計劃和随訪、藥物開發等。
由于被稱為生物标志物的鑒别蛋白的濃度小且可變，蛋白質組學譜的重建仍然是一個挑戰，生物标志物存在于大量蛋白質中，豐度比高達100000000，是以需要有效識别分子圖譜上的生物标志物
在樣品制備和儀器（如液相色譜法(LC)和質譜法(MS)）中使用級聯步驟引入了幾個可變性來源：用移液器手動從試管中提取血清；胰蛋白酶消化是一個具有随機行為的動力學過程；資料采集受到電噪聲的幹擾，僅舉三個來源。是以，構成所擷取資料的峰狀形狀在每個實驗中都不同，例如，在形式和位置上。
盡管LC-MS串聯的可變性，它仍然是蛋白質組學中最常用的技術，可靠的診斷必須有效地整合可變性，并且對其具有穩健性，無論是技術性質還是生物學性質。
重建任務已認證多種方法解決：非參數方法，例如峰下面積、PLS、N-PLS、PARAFAC和其中的參考文獻、MRCQuant、MZmine、VIPER，基于确定性最小二乘拟合或其他統計估計的參數方法，例如使用貝葉斯推理。重建的配置檔案可用于比較不同狀态的差異分析。它們還可以用于已顯示特異性和敏感性的診斷，特别是在形态學症狀爆發之前的早期疾病檢測。
分類制定為逆問題的解決方案，任務是有效和穩健地反轉分析工作流程，以便盡可能正确地檢索有關蛋白質的資訊。通過輸出資料間接觀察工作流程輸入處的未知臨床狀态（類别）。
反轉底層實體模型将提供對該類的估計，貝葉斯統計很好地适應了這一困難，因為可變性的工具和生物來源是通過機率分布模組化的，将知識和信念轉化為過程。此外，未知變量在貝葉斯意義上是最佳自校準的。
将分類資料與每個類别的代表資料相對于所考慮的特征進行比較，并通過最小化特征空間中的距離函數來做出決定。通過這樣做，最終結果，即資料的特征，被用作每個類的特征參數。
估計與分類資料相關的蛋白質濃度，然後根據訓練集中的估計值進行回歸，請注意，可以通過傳回濃度估計值的任何方法或估計函數來執行估計。這可能包括通過反演的量化步驟，這導緻在參數空間中工作，或者——就像在蛋白質組學的最新水準一樣——通過幾個連續的估計（噪聲過濾，然後是峰識别，然後是肽識别，在這個肽量化之後，等等）。
一樣——通過幾個連續的估計（噪聲過濾，然後是峰識别，然後是肽識别，在這個肽量化之後，等等），後者會導緻在某些情況下可能非常重要的資訊丢失：分類是在中間估計的序列上進行的，遺漏了層次結構級别之間可能的可變性和相關性來源。
“順序方法”不限于邏輯回歸，因為它也用于分類，例如蛋白質組學、化學超标測試、損壞信号的分類;劃分方法，例如模糊C-means可以很容易地适應整合順序分類。
估計是通過前向資料模型的反演來完成的，解釋了從原因（輸入，參數，這裡：臨床狀态）到儀器（生物學，技術生物學，技術參數）的結果（輸出，資料，此處：SRM光譜）。在其他幾個可能的選擇中，提出了一個用于估計過程的貝葉斯架構，它允許通過機率密度整合多個可變性來源，并允許給定機率模型的最優解。
由于多個參數構成了模型，貝葉斯架構将有助于分離和量化每個參數的不确定性，可以成功利用類、參數和資料之間的層次結構，因為貝葉斯理論特别适用于此：雖然每個單獨的元件都增加了資料模型的複雜性，但不考慮它們會禁止利用它們的資訊授予。是以，全球提出了問題的最優解，而不是連續的順序估計。
逆向問題是關于根據結果評估原因，即在已知輸出的情況下重建輸入，為了找到最佳解決方案，所提出的方法考慮了各種資訊來源：實體正演模型和資料，以及關于參數及其不确定性的先驗知識。
融合這些來源依賴于貝葉斯推理，其中每個起作用的量都被賦予一個機率，并導緻的所有變量的聯合機率密度。如果能夠在任一任務中對聯合後驗分布進行采樣，則通過僅保留感興趣變量的樣本來完成邊緣化。
