基于机器学习的MS2Rescore在宏蛋白质组学肽段鉴定中的灵敏度与特异性提升评估

《Environmental Microbiome》：Machine learning-based rescoring with MS2Rescore boosts peptide identification and taxonomic specificity in metaproteomics

　　

摘要

背景

宏蛋白质组学（Metaproteomics），即研究微生物生态系统中集体蛋白质组的方法，在过去十年中受到越来越多的关注。然而，与单物种蛋白质组学相比，宏蛋白质组学中的肽段鉴定率仍然较低。一个关键的挑战是当前鉴定算法的鉴定灵敏度，这些算法主要是为单物种分析而设计的。针对这一问题，我们在来自多种微生物环境的多个宏蛋白质组学数据集上评估了基于机器学习的MS2Rescore后处理工具，包括土壤等高度复杂的环境，这些环境代表了宏蛋白质组学中分析要求最为苛刻的条件。

结果

我们证明了基于机器学习的重新评分方法优于最先进的宏蛋白质组学鉴定流程。与Sage相比（Sage本身已实现了基本的重新评分），该方法显著提高了肽段鉴定率。此外，该方法能够将错误发现率（FDR）降低至0.1%，且灵敏度几乎没有损失，这相较于宏蛋白质组学中常用的1%或5% FDR阈值是一个显著改进，从而在与下游统计工具（如Peptonizer2000）配合使用时，提高了下游分类注释的可信度。性能提升在最复杂的条件下最为显著，使其特别适合环境宏蛋白质组学研究。

结论

我们的研究表明，MS2Rescore显著提高了宏蛋白质组学中肽段鉴定的灵敏度和特异性，并且在与下游分类分析工具配合使用时，提供了更高的分类注释可信度。这一进展带来了更可靠的下游分类分析，进一步证实了基于机器学习的重新评分在宏蛋白质组学研究中的潜力。