《PLOS Computational Biology》：PowerNovo2: A generative flow-based approach to non-autoregressive de novo peptide sequencing
编辑推荐：
蛋白质组学利用串联质谱（MS/MS）测定肽段序列，传统方法依赖先验知识约束的数据库搜索。从头肽段测序提供了一种无需数据库的替代方案，但在准确建模复杂MS/MS图谱方面存在困难。目前大多数工具采用自回归解码策略，该策略易于出现误差传播且计算速度较慢。本研究提出P
蛋白质组学利用串联质谱（MS/MS）测定肽段序列，传统方法依赖先验知识约束的数据库搜索。从头肽段测序提供了一种无需数据库的替代方案，但在准确建模复杂MS/MS图谱方面存在困难。目前大多数工具采用自回归解码策略，该策略易于出现误差传播且计算速度较慢。本研究提出PowerNovo2，一种基于生成归一化流（Normalizing Flow）的非自回归模型。通过利用变分推断（Variational Inference），该模型能够有效捕捉复杂的标记依赖关系和肽段层面的不确定性。PowerNovo2在准确性和速度方面优于现有从头测序工具，可达到与Casanovo等最先进的自回归模型相当的性能，同时速度快4.3倍。该模型在与π-PrimeNovo等其他非自回归方法的比较中也展现出具有竞争力的性能，尤其在长肽段和低分辨率图谱方面表现突出。作为首个基于流模型的从头测序器，PowerNovo2为大规模蛋白质组学应用提供了一种可扩展的准确解决方案。
蛋白质组学研究在过去三十年间持续强调了质谱技术作为推动蛋白质研究、鉴定新蛋白质形态及表征蛋白质相互作用的重要工具。随着组学检测的可及性和通量不断提升，对质量测量数据的生物信息学分析提出了更高要求，需要更高的准确性、完整性和处理速度。该领域的一个核心挑战是通过串联质谱确定蛋白质的氨基酸序列。目前，肽段和蛋白质鉴定通常依赖于基因组数据库搜索，使用SEQUEST、Mascot、MaxQuant以及混合平台PEAKS DB等工具。然而，这些方法的性能严重依赖于包含样本中所有潜在蛋白质的全面序列数据库的可获得性，这一限制显著制约了其在单克隆抗体序列组装、新抗原鉴定以及缺乏注释氨基酸序列的非模式生物宏蛋白质组学测序等关键应用中的实用性。
为应对上述挑战，研究人员开发了PowerNovo2，一种基于生成流模型和变分推断的新型深度学习框架，发表于《PLOS Computational Biology》。该研究旨在克服从头肽段测序中的核心难题，特别是现有自回归模型存在的误差累积、缺乏后生成校正能力以及计算效率瓶颈等问题。与自回归模型不同，PowerNovo2不依赖于序列的条件分解，而是通过条件归一化流架构学习光谱数据条件下肽段序列的完整联合分布。该模型将简单先验分布通过可逆变换转化为复杂的数据依赖后验分布，利用光谱嵌入引导潜在变量采样，从而在不进行迭代解码的情况下捕捉质谱与肽段序列之间的复杂依赖关系。PowerNovo2的核心创新在于其混合变分框架，结合了基于流模型的先验网络与Transformer编码的后验网络，避免了标准变分自编码器中的平均场近似缺陷，同时实现了解码过程中的双向上下文利用。
研究人员采用的关键技术方法主要包括：（1）基于归一化流的生成建模，通过可逆变换（包括激活归一化、可逆线性层和条件耦合层）实现可处理的密度估计；（2）变分推断框架，联合优化光谱嵌入和潜在肽段表示，最大化证据下界（ELBO）；（3）非自回归解码策略，通过并行前向传播一次性解码完整序列，避免自回归的逐氨基酸生成；（4）基于0/1背包问题的肽段分子质量控制，通过优化氨基酸残基组合使其总质量落入前体离子质量容差范围；（5）针对免疫肽组学数据的靶标-诱饵基准测试，通过峰值替换生成不同噪声水平的诱饵谱图以评估模型判别能力；（6）UPS2参考数据集灵敏度评估，使用跨越六个数量级浓度的人类蛋白质混合物评估模型在不同丰度范围内的肽段检测能力。
研究结果显示：
准确率评估（肽段和氨基酸水平）：在肽段水平准确率比较中（图1），PowerNovo2在不同数据环境下展现出稳健的性能。对于更具挑战性的NIST数据集（大肠杆菌、人、小鼠、酵母）和MassIVE-非胰蛋白酶数据集，该模型达到了与其他领先方法（包括非自回归模型π-PrimeNovo）相当的精度。在高质量的Nine-Species基准中，PowerNovo2在各物种间保持一致的 Protest 能，而π-PrimeNovo在多数物种上记录了略高的精度。这一模式在氨基酸残基水平同样成立，PowerNovo2在复杂的NIST/非胰蛋白酶图谱和较干净的Nine-Species数据上均展现出具有竞争力的单残基准确率。UpSet分析（图4）显示，在161,969个肽段中，PowerNovo2准确鉴定了10,625个独特肽段（占总数的6%），是其最接近竞争对手π-PrimeNovo（4,283个，2.5%）的四倍以上。
长肽段性能（>30个氨基酸残基）：针对超过30个氨基酸残基的肽段评估（图2和图3），PowerNovo2显著优于所有其他工具，包括π-PrimeNovo，其混合变分架构在建模更长更复杂的肽段序列方面尤为有效。
部分匹配分析（图5）：在低分辨率、部分水解的NIST图谱上，PowerNovo2在>90%序列相似度阈值下保持10-20%更高的肽段一致性率，反映了其对不确定性的鲁棒处理能力。在高身份阈值（>0.7）以上，自回归模型Casanovo和PowerNovo1的性能急剧下降，而PowerNovo2和π-PrimeNovo表现出更强的稳健性。
UPS2数据集灵敏度评估（图6）：在50,000 fmol浓度下，PowerNovo2在所有评估的从头测序服务中实现了最高的正确鉴定肽段总体比例（66.9%）。对于人血清白蛋白，PowerNovo2实现了49.14%的覆盖率，在所有从头工具中最高。
免疫肽组学应用（图7）：在PXD055277 HLA数据集中，PowerNovo2成功鉴定了1,540个参考蛋白质和4,003条肽段序列，而π-PrimeNovo表现更为保守，鉴定了816个蛋白质和2,423条肽段。对于PowerNovo2超过SEQUEST的340个蛋白质，平均相对覆盖率增加为169.6%，共恢复了786条数据库搜索遗漏的附加肽段。
靶标-诱饵基准测试（图8）：在60-70%峰值替换的高噪声条件下，PowerNovo2的保守评分产生更低的诱饵比例（0.9阈值时约0.078，而π-PrimeNovo约0.091），表明其在退化图谱上的更强稳健性。
处理速度（图9）：PowerNovo2完成10,000张图谱仅需8.15分钟，比自回归的Casanovo（35.47分钟）快约4.35倍，比PowerNovo1（46.28分钟）快约5.68倍。分析确认背包优化是主要瓶颈，平均占总推理时间的33.1%。
消融研究（图10）：去除背包优化导致准确率从84.92%下降至81.92%（Δ=-3.00%）；均匀分布配置仅达68.13%（Δ=-16.78%）；潜在噪声标准差从0.1增加到3.0导致准确率从80.23%降至73.54%。
整体架构的消融研究验证了：背包算法为序列验证提供关键组合优化；正态分布假设在潜在空间建模中优于均匀替代方案；集成架构在不同实验条件下表现出稳健性。
讨论部分，研究人员系统比较了PowerNovo2与现有三种先进工具的性能，得出以下结论：PowerNovo2的独特优势首先体现在对长肽段和低质量数据的处理能力上，其基于流模型的设计通过显式建模不确定性，实现了更保守但更可靠的置信度校准；其次，在免疫肽组学等临床相关应用中，该模型能够识别7721个蛋白质中的942个（约12.2%），对比直接数据库搜索的951个蛋白质，覆盖率在可接受范围内，且显著优于同类非自回归工具；第三，通过变异推断框架实现的潜在空间建模，使模型能够区分信息性谱图与噪声，这在靶标-诱饵基准中得到验证，高噪声条件下假阳性控制优于对比方法。
结论部分翻译：PowerNovo2作为首个基于流模型的从头测序器，为免疫肽组学、低丰度蛋白质组学和非模式生物研究提供了有价值的补充工具。其开放源代码实现和预训练模型权重旨在促进概率人工智能在蛋白质组学中的进一步创新，未来可能将基于流的方法与质量控制策略相结合以实现更广泛的应用。该架构通过桥接概率生成建模与高处理量肽段测序之间的差距，为下一代蛋白质组学分析提供了可扩展且准确的解决方案。研究人员展望，通过GPU加速背包求解等优化，可进一步提升模型效率，缩小与最快非自回归方法的性能差距。
