蛋白质组学中的仪器-软件协同作用：跨质谱平台、搜索引擎和重评分方法的系统评估

《Journal of Proteome Research》：Instrument–Software Synergy in Proteomics: Systematic Evaluation across Mass Spectrometry Platforms, Search Engines, and Rescoring Methods

　　

基于质谱（MS）的蛋白质组学通过仪器（质谱仪）和软件（数据分析）的并行改进取得了进展，然而这些改进是产生协同效应还是收益递减仍不清楚。在本研究中，研究人员系统评估了跨越八种质谱平台、三代搜索引擎和多种重评分方法的仪器-软件协同进化，形成了从2004年到2024年的72种独特的仪器-软件组合。研究结果表明，仪器和软件的改进产生的是协同而非替代效益。其中，基于机器学习（ML）的重评分始终能从产生更嘈杂、更具挑战性谱图的低强度前体中恢复鉴定。关键在于，由于灵敏度和速度的提高，现代仪器检测到更多低强度前体，从而增加了重评分能提供最大收益的挑战性谱图的数量。然而，这种扩展的检测深度是有代价的：恢复的低丰度肽段固有地具有更高的定量误差，形成了蛋白质组覆盖深度与定量准确性之间的基本权衡。总之，这些发现系统概述了过去二十年仪器和软件进步如何共同塑造了蛋白质组学性能。

基于质谱（MS）的蛋白质组学通过液相色谱-串联质谱（LC-MS/MS）技术实现肽段鉴定与定量，其性能长期以来受仪器（质谱仪）和软件（数据分析流程）并行改进的推动。然而，两者之间的相互作用模式——是协同增效、独立贡献还是收益递减——尚未得到系统量化。为厘清这一问题，研究人员利用Van Puyvelde等人发布的三物种（人Homo sapiens、酵母Saccharomyces cerevisiae、大肠杆菌Escherichia coli）混合基准数据集（PRIDE标识符PXD028735和PXD070049），在标准化实验方案下进行跨平台比较。该数据集包含八种代表性质谱平台（2010–2024年商业发布年份），每种平台均以不同样本加载量和梯度长度（见表1）获取条件α（65%人、30%酵母、5%大肠杆菌）和条件β（65%人、15%酵母、20%大肠杆菌）的三个技术重复。研究人员通过自动化Nextflow流水线（集成MSConvert进行格式转换、SearchCLI执行三代搜索引擎（X!Tandem 2004、MS-GF+ 2014、Sage 2023）以及三种重评分策略（无重评分、Mokapot常规重评分、MS2 Rescore ML增强重评分），构建了72种仪器-软件组合，并评估了鉴定数量、灵敏度、覆盖度、多样性及定量准确性。研究结果表明：仪器与软件改进产生协同而非替代效益；现代仪器因灵敏度和扫描速度提升，可检测更多低丰度前体，而基于机器学习（ML）的重评分方法正是针对这些产生嘈杂谱图的低丰度前体发挥最大效用，从而显著提升鉴定深度；然而，这种深度扩张伴随代价——恢复的低丰度肽段固有的高定量误差（如平均绝对误差（MAE）和变异系数（%CV）升高）导致蛋白质组覆盖深度与定量准确性之间存在根本性权衡。该论文发表在《Journal of Proteome Research》，首次系统解构了过去二十年技术进步如何共同塑造蛋白质组学性能，并揭示了技术协同效应的内在机制。

**关键方法**：本研究使用Van Puyvelde等人构建的标记-免费定量基准数据集（包含人、酵母、大肠杆菌三物种混合物），在八种质谱平台（SCIEX TripleTOF 5600/6600(+)、Thermo Q-Exactive HF-X、Bruker timsTOF Pro/Ultra/Ultra 2、SCIEX ZenoTOF 7600+）上获取数据。主要技术包括：使用MSConvert进行原始数据格式转换；通过SearchCLI统一执行三代开源搜索引擎（X!Tandem、MS-GF+、Sage）进行数据库搜索（目标-诱饵数据库基于UniProt参考蛋白质组）；应用三种重评分策略（无重评分、Mokapot传统支持向量机（SVM）重评分、MS2 Rescore结合ML预测肽段特性（保留时间、碎片离子强度、碰撞截面积）的增强重评分）；采用Mokapot统一框架计算谱图-肽段匹配（PSM）、肽段和蛋白质水平q值（1%错误发现率（FDR）阈值）；使用FlashLFQ进行标记-免费定量（仅非Bruker仪器），评估对数2倍数变化（log₂FC）误差和变异系数。

**研究结果**：

**3.1 软件进步在现代仪器上带来更大的鉴定增益**：通过对比72种组合在PSM、肽段和蛋白质水平的鉴定计数发现，仪器革新是驱动鉴定的主导因素（现代仪器timsTOF Pro鉴定约7000种蛋白质，是早期TripleTOF 5600约2300种的3倍以上）。蛋白质组范围序列覆盖度从约1%增至约4%，但覆盖均匀性（基尼系数约0.45）未改善，表明底-上蛋白质组学的偏倚是根本限制。**3.1.1 仪器进步驱动更广更深的蛋白质组覆盖度**：现代仪器不仅鉴定更多蛋白质，还实现每蛋白更高的序列深度，但覆盖均匀性不变。**3.1.2 现代搜索引擎更具平台鲁棒性**：Sage在所有平台上表现一致，而X!Tandem在SCIEX仪器上性能崩溃，MS-GF+在timsTOF Ultra 2上表现不佳，归因于静态评分函数与数据驱动评分的差异。**3.1.3 重评分增益在现代仪器上更大**：改进矩阵显示对角线梯度——旧搜索引擎在新仪器上收益最大，现代搜索引擎在旧仪器上收益最小，证实协同而非替代效应。

**3.2 重评分对低丰度前体和高通量采集条件影响最大**：通过分析归一化前体强度（log(MSi)）分布，发现重评分的PSM百分比改进从高到低强度指数级增加（图3）。在短梯度、低样本负荷条件下（如50 ng vs 250 pg），重评分收益随样本量减少而增大，但Sage在250 pg时几乎无额外收益。

**3.3 重评分带来的鉴定增益延伸至可靠定量困难的强度范围**：标记-免费定量分析显示，肽段鉴定数量增加伴随定量误差（MAE of log₂FC）升高（图4）。分层分析表明，这一权衡源于重评分恢复的低丰度肽段固有地具有2–3倍更高的定量误差和变异系数，而非影响常见肽段的定量质量。

**总结讨论与结论**：讨论中提出以下关键观点：（4.1）数据驱动评分解释了从平台特异性到通用搜索引擎性能的转变：Sage通过学习数据特征自动适应平台，而X!Tandem的静态规则和MS-GF+的预计算统计表导致平台依赖性。（4.2）蛋白质组覆盖度提高但均匀采样仍是根本限制：基尼系数随技术进步几乎不变，提示需结合多种策略（多种蛋白酶、碎裂技术、中-顶-底方法）才能突破。（4.3）“嘈杂谱图假说”解释了重评分趋势：低丰度前体产生噪声谱图，ML重评分通过正交证据提供额外区分力；但极端低输入条件（250 pg）下碎片强度预测失效，导致收益消失。（4.4）重评分将鉴定深度延伸至当前定量极限之外：恢复的低丰度肽段引入更高的定量误差，形成覆盖度与准确性的固有权衡，且该权衡不限于FlashLFQ，在ProteoBench基准中也观测到。（4.5）仪器-软件协同可能扩展至数据非依赖性采集（DIA）：DIA本质捕获更多低丰度前体和嵌合谱图，ML重评分可能发挥更强作用，已有DIA管道（如Spectronaut、DIA-NN、AlphaDIA）采用基于ML的评分。

**结论翻译**：这项跨越八种质谱平台、三代搜索引擎和多种重评分策略的系统评估揭示，基于质谱的蛋白质组学仪器和软件的进步相互叠加而非替代。每一技术层都放大了其他层的能力，从而在灵敏度和覆盖度上产生复合增益。基于机器学习（ML）的重评分方法在现代平台上带来最显著的收益，因为增强的灵敏度和扫描速度检测到更大数量的低丰度前体，这些前体产生更嘈杂、更具挑战性的谱图——正是特征驱动区分提供最大优势的领域。然而，这种扩展的检测深度引入了覆盖度与定量准确性之间的权衡，因为包含低强度肽段固有地增加了平均定量误差。同时，全面且均衡的蛋白质组覆盖度仍然难以实现：尽管更先进的仪器和算法拓宽了可检测蛋白质组，但蛋白质间序列覆盖度仍然不均，凸显了仅凭增量创新无法解决的偏倚。蛋白质组学的未来进步将依赖于仪器和软件之间的协同共进化，将先进的采集策略与能够利用现代LC-MS/MS数据日益复杂性的自适应评分算法相结合。