大规模AI就绪质谱语料驱动的可扩展蛋白质组学深度学习资源 MassNet 与 XuanjiNovo

《Nature Methods》：MassNet: billion-scale AI-ready mass spectral corpus empowering scalable deep learning in proteomics

研究人员受文本与图像大规模数据语料启发，提出 MassNet，一种面向基于质谱（mass spectrometry，MS）的蛋白质组学的 AI-ready 数据语料。该语料包含来自 35 个物种高质量数据依赖采集（data-dependent acquisition，DDA）MS 数据的 1.5×109 张串联 MS 谱，其中约 1.7×106 个肽前体来自人类样本。研究人员进一步提出一种称为质谱 DDA 张量（Mass Spectrometry DDA Tensor，MSDT）的 AI-ready DDA 数据格式，用于多来源数据的紧凑、标准化存储、整理与复用，并可选择性转换为 Lightning Memory-Mapped Database（LMDB）以加速深度学习输入/输出。基于 MassNet，研究人员开发 XuanjiNovo，一种利用课程学习策略的非自回归 Transformer 模型，用于从头肽测序。XuanjiNovo 在人类 Astral 数据上较最优方法提升 38.35–143.57%。MassNet 还支持保留时间（retention time，RT）预测与肽谱匹配（peptide-spectrum match，PSM）重打分等下游任务。MassNet 代表了基于 MS 的蛋白质组学基础数据资源，是 AI 蛋白质组学研究的关键里程碑。

研究背景方面，基于质谱（mass spectrometry，MS）的蛋白质组学广泛用于生物与疾病研究，数据依赖采集（data-dependent acquisition，DDA）产生大量高质量串联质谱（tandem MS/MS）数据。尽管自然语言处理与计算机视觉已有 WordNet、OpenWebText、ImageNet 等大规模标注语料，基于 MS 的蛋白质组学仍缺乏大规模、高质量、标准化的 AI-ready 数据语料。现有光谱库如 Global Proteome Machine Database、PeptideAtlas、National Institute of Standards and Technology 库、ProteomeTools（PT）、jPOSTdb 及 Mass Spectrometry Interactive Virtual Environment Knowledge Base（MassIVE-KB）存在元数据不完整、以人类为中心、峰列表与肽注释分离、格式缺乏统一模式等问题，MGF、mzML、.msp、.sptxt、.tsv 等格式不利于大规模深度学习工作流。该研究由研究人员在《Nature Methods》发表，旨在构建跨物种、可追溯、张量化、模型可直接使用的基础蛋白质组学数据资源，并据此开发从头肽测序模型与支持保留时间（retention time，RT）预测、肽谱匹配（peptide-spectrum match，PSM）重打分等任务。

主要关键技术方法上，研究人员整合 PRIDE 与 iProX 中 648 个项目、27,643 个液相色谱（liquid chromatography，LC）–MS/MS 运行、35 个动物/植物/微生物物种数据；用 FragPipe 与 Sage 在 1% 假发现率（false discovery rate，FDR）下独立检索；设计基于 Apache Parquet 的质谱 DDA 张量（Mass Spectrometry DDA Tensor，MSDT）格式并通过 MSDT-Converter 生成运行级与全局 FDR 过滤文件；训练非自回归 Transformer（non-autoregressive transformer，NAT）模型 XuanjiNovo，采用课程学习、连接主义时序分类（connectionist temporal classification，CTC）路径采样、序列级自精炼与精确质量控制单元；训练时将 MSDT 转为 Lightning Memory-Mapped Database（LMDB）以支持随机访问；并用 DeepLC 做 RT 预测、用 BERT 架构模型做 PSM 重打分。样本队列来自 PRIDE/iProX 公开项目及部分内部 DDA 运行，覆盖 Homo sapiens、Mus musculus、Arabidopsis thaliana、Escherichia coli 等 35 个物种。

研究结果部分，Overview of MassNet 小节显示，MassNet 整合 27,643 个 LC–MS/MS 运行与 1.54×10⁹ 张 MS/MS 谱，FragPipe 与 Sage 分别得到 448×10⁶ 与 351×10⁶ 目标 PSM，合并去重后运行级含 548×10⁶ 目标 PSM、4.61×10⁶ 肽前体、2.54×10⁶ 唯一肽与 133,422 个蛋白；全局 FDR 过滤后含 501×10⁶ PSM、3.89×10⁶ 肽前体、2.04×10⁶ 唯一肽与 122,056 个蛋白，证明跨物种大规模可追溯语料可系统构建。

AI-ready representation: MSDT 小节中，研究人员比较 Parquet、TSV、Feather、HDF5、csv.gz、Pickle、IPC 七种格式，Parquet 在压缩比与读写性能间最优；MSDT 以列存 Parquet 实现，每运行生成含扫描号、前体信息、RT、肽序列、蛋白映射、碎片 m/z 与强度数组及 target/decoy 标签的文件，运行级文件比源文件小约 82%，说明其适合 AI 训练与复用。

Curriculum learning and NAT enhance XuanjiNovo’s stability and accuracy 小节显示，XuanjiNovo 用 Transformer 编码器表示 MS/MS 谱，NAT 并行预测肽序列，CTC 路径采样选最可能对齐路径作课程模板，推理时迭代精炼；在 15 物种基准上肽召回率优于 π-HelixNovo、Casanovo V2、InstaNovo+、ContraNovo、π-PrimeNovo，人类 Astral 数据达 0.45、小鼠达 0.68，近等压氨基酸对 K/Q、F/氧化 M 判别更准确，说明课程学习加 NAT 提升稳定性与精度。

Data scaling enables better learning and generalization 小节中，XuanjiNovo-30M、65M、100M 比较表明，100×10⁶ PSM 训练集验证损失最低，氨基酸召回约 0.82，肽召回约 0.68，跨物种召回随数据规模上升，说明大规模高质量数据增强准确率、鲁棒性与跨物种泛化。

Fine-tuning boosts XuanjiNovo’s generalization across datasets and platforms 小节显示，九物种旧基准上 XuanjiNovo-100M 泛化有限；用 MassIVE-KB 30×10⁶ PSM 微调得 XuanjiNovo-130M，酵母与枯草芽孢杆菌肽召回分别提升 64.62% 与 60.23%，人类达 0.60；在 Orbitrap Fusion 的肝癌数据集与 PT 合成肽数据集上未微调即明显优于基线，说明平台异质性可通过针对性微调缓解。

Application of MassNet in PSM rescoring and RT prediction 小节中，MassNet_4M 做 PSM 重打分，酵母验证集 ACC 超 0.88、AUC 超 0.95；与 FragPipe、Sage 重叠度高。DeepLC 用 Sage 来源 MSDT 训练，预测与观测 RT 的 Pearson 相关系数为 0.98，平均绝对误差 2.97，95% 误差不超过 16.50，证明 MassNet 可支撑 PSM 重打分与 RT 预测。

讨论部分总结为，MassNet 类似 NLP 与 CV 中的基础语料，提供广覆盖、标准化、可扩展 MS 数据底座；保留运行级每张 MS/MS 谱及其峰列表、target/decoy PSM、肽注释、仪器与处理元数据，用 Parquet 降低存储与解析成本，训练时转 LMDB 解决随机访问问题。其局限包括仅保留被检出的谱、丢失未鉴定谱，FragPipe 与 Sage 算法差异可能引入偏置，变量修饰仅含甲硫氨酸氧化与 N 端乙酰化、固定修饰为半胱氨酸羧酰胺甲基化，未系统纳入磷酸化、泛素化、糖基化等翻译后修饰（post-translational modifications，PTMs）。未来应扩展 PTM 富集、DIA 与靶向蛋白质组学、增加搜索引擎并保留高质量未鉴定谱。

研究结论部分译为：MassNet 可为 AI 与蛋白质组学融合提供里程碑式资源；其同时保存 FragPipe 与 Sage 独立检出的 PSM，兼顾效率与完整工作流；MSDT 以模式化数值字段和数组化碎片 m/z、强度表示光谱，优于 MGF/mzML 的文本与半结构化组织；从头肽测序因不依赖参考数据库，对非模式生物与新蛋白重要，XuanjiNovo 用课程学习解决不稳定优化，用非自回归架构加速推理；尽管缺少 Orbitrap Astral 训练数据，模型仍在该平台表现稳健，九物种旧基准偏弱主要来自仪器与注释流水线差异，微调可修复；MassNet 也可用于 RT 预测与 PSM 重打分，但 PSM 重打分当前训练集约 4×10⁶ PSM 且未充分调参，潜力被低估；仅收录已鉴定谱会损失复杂肽信号，搜索引擎差异可能带来系统偏置；XuanjiNovo 对常见修饰有效，但 PTM 广度不足；未来 MassNet 应纳入磷蛋白质组、糖蛋白质组、泛素组学、免疫肽、DIA 与靶向数据，并集成更多搜索引擎与高质量未鉴定谱，以支撑更通用的 AI 蛋白质组学。