一种基于Transformer框架的肽串联质谱质量控制方法

《ACS Omega》：A Transformer-Based Framework for Quality Control of Peptide Tandem Mass Spectra

　　

在基于串联质谱（MS/MS）的蛋白质组学中，由于光谱质量较差，大量采集到的谱图仍无法被鉴定，这不仅消耗过多的计算资源，还增加了数据库检索过程中的假阳性率。传统的质量评估方法依赖于手工设计特征或经典机器学习，在不同仪器间的泛化能力往往较差。尽管近期如SPEQ（spectrum quality）等深度学习（deep learning）方法引入了自动化，但其对卷积架构和监督学习的依赖限制了模型捕捉全局光谱依赖关系以及在异质数据集间迁移的能力。为解决这些局限，研究人员提出了一种预训练Transformer框架，利用自注意力（self-attention）机制进行自动化的MS/MS质量评估。通过利用自监督预训练（self-supervised pretraining）学习鲁棒且具有上下文感知的光谱表示，该模型能够捕捉全局碎片离子关系，并确保卓越的跨仪器可迁移性。研究结果表明，该模型在性能上持续优于现有模型（如SPEQ），在多样化数据集上提供了更高的准确率和增强的泛化能力。

该研究发表于《ACS Omega》。在基于串联质谱（MS/MS）的蛋白质组学（proteomics）中，通常超过50%的采集谱图因质量较差而无法产生可靠的肽段鉴定，这些低质量谱图含有不足的碎片信息或过量噪声，不仅消耗计算资源，还增加数据库检索的假阳性率（false-positive rates）。传统质量控制（Quality Control, QC）依赖人工检查或仪器特定指标，难以应对高通量数据的异质性；现有的深度学习方法如SPEQ基于一维卷积神经网络（1D Convolutional Neural Network, 1D CNN），受限于局部感受野，无法建模长程碎片关系及全局m/z差异结构，且纯监督训练易受数据库检索标签中的假阴性和仪器偏差影响，导致跨仪器泛化能力差。为此，研究人员开展了一项基于预训练Transformer框架的MS/MS光谱质量评估研究，旨在利用自注意力（self-attention）机制和自监督学习（self-supervised learning）捕捉全局光谱依赖，提升跨物种与跨仪器的泛化能力。结论表明该框架在准确率与泛化性上均优于基线模型SPEQ，对优化下游肽段鉴定流程具有重要意义。

研究人员采用的关键技术方法包括：构建涵盖九种代表性物种的779,879张Thermo Scientific Q Exactive仪器采集的MS/MS谱图作为预训练无标签数据集，并选取各物种一个RAW文件经MS-GF+检索生成带标签微调数据集；数据预处理采用log1p强度变换与Z-score标准化m/z，统一截取Top-100峰值并按m/z升序排列，辅以随机强度缩放、m/z与强度加高斯噪声的数据增强；模型架构采用6层Transformer编码器（嵌入维度d=768，12头自注意力，前馈中间维度3072）并在底层叠加核大小为3的一维卷积以捕获局部模式，预训练阶段采用自编码重构损失（MSE与余弦相似度联合损失α=0.7），微调阶段引入注意力池化（attention-pooling）与加权Focal Loss（α_t=0.75, γ=2.0）处理类别不平衡，优化器使用Adam配合热身与余弦退火调度。

Introduction

研究人员指出MS/MS光谱内在质量是常被忽视的挑战，低质量谱图阻碍可靠肽谱匹配（peptide-spectrum matches, PSMs），而实验重采集通常不现实，因此计算型QC极具价值。现有策略依赖启发式规则且SPEQ等CNN模型受限，Transformer的自注意力可整合全局依赖，自监督预训练能提升鲁棒性与迁移性。

Methods

Data Set Construction

预训练使用九物种779,879张谱图，微调每物种选一RAW转MGF，用MS-GF+基于目标-诱饵（target–decoy）策略以全局FDR<1%生成高低质量标签，按6:2:2分层划分。

Data Preprocessing

提取m/z与强度，强度log1p压缩，m/z Z-score标准化，统一定长L=100（超则取Top-100排序，不足则零填充），训练时施加概率性强度缩放与高斯噪声增强，输入为(100, 2)张量。

Model Architecture

输入X∈?^L×2经线性投影至H₀∈?^L×d（d=768），编码器含1D卷积（核3, ReLU）、多头自注意力（n_heads=12, 头维64）、位置前馈（维3072, GELU），残差连接与层归一化，输出H_N∈?^L×d。

Pretraining Strategy

自编码框架解码至原空间，混合损失L_pre=α·MSE(x, x?)+(1?α)·(1?cos(x, x?))（α=0.7），Adam(lr=1×10^–5)优化至重构损失收敛早停。

Finetuning Strategy

编码器输出经注意力池化得全局向量c=Σa_ih_i，经两层全连接（1024, 512, ReLU）与Sigmoid输出质量分数，分类用加权Focal Loss，Adam配合20轮热身与余弦退火，依验证集AUC早停。

Results and Discussion

Performance Evaluation and Ablation Study

在九物种数据集上平均AUC达0.7852，较SPEQ（0.7138）提升10.00%，Wilcoxon检验显著（p=0.0039）；无预训练Transformer平均AUC 0.7490仍优于SPEQ，证明架构本身优势，预训练进一步增益，二者互补。

Effect of Sequence Length on Model Performance

评估Top-50/100/200，L=50因丢失低丰度诊断离子致性能降，L=200无一致增益且引入噪声与O(N²)计算成本，L=100在信息保留与效率间最优。

Impact on Downstream Peptide Identification

在人（H. sapiens）数据集预过滤实验，去除最低10%–30%谱图后，Transformer模型鉴定独特肽段数高于基线，SPEQ则低于基线，表明其评分更贴合真实质量，释放FDR预算。

Cross-Species Generalization Analysis

仅在酿酒酵母（S. cerevisiae）微调后直推至八物种，平均AUC 0.6995优于SPEQ（0.6518）7.32%，即使在远缘物种（人、小鼠）仍保持高AUC（0.7190, 0.7932），证实预训练表示具强跨物种迁移性。。

Cross-Instrument Performance Analysis

在TripleTOF 5600数据微调AUC 0.7781优于SPEQ（0.6948）；Q-Exactive训练直推TripleTOF跨仪器设置中Transformer AUC 0.6385仍优于SPEQ（0.6016），显示自监督预训练习得的表示对不同物理原理质谱平台具鲁棒性。

Conclusion

为应对蛋白质组学MS/MS QC中标签稀缺与泛化受限的核心挑战，研究人员提出基于Transformer的预训练–微调质量评估框架，通过大规模自监督预训练学习可迁移光谱表示，实现跨物种与实验设置的精准鲁棒评估。该方法除提升QC性能外，还为构建质谱基础模型（foundation models）提供可扩展路径，在肽鉴定、去噪、光谱嵌入及定量分析中具广阔潜力。未来将整合保留时间、前体电荷态、仪器元数据与多模态信息以增强解释性与适用性，并基于明确注释碎裂模式的数据集进一步评估跨碎裂化学的迁移性。