质谱测序不再只靠谱图：PepPr把参考蛋白组当先验，九物种召回中位提升15.8个百分点

从头肽段测序现在可以在解码过程中调用参考蛋白组知识，而不必把候选序列预先列成一张封闭清单。 数据库搜索只能识别预先列出的候选肽段，纯谱图的从头测序又受碎片不完整所限，召回落后于数据库搜索。 在九个物种数据集上，每个物种用各自参考蛋白组训练先验并与Casanovo结合，肽段召回中位提升15.8个百分点，九个物种全部改善，最大提升为T. endoloripes上的33个百分点。

先验以一个小型融合头接入解码器，在谱图证据模糊时补上序列上下文，在序列偏离参考时让位给谱图。 此前的混合方法要么在最终预测上做事后修正，要么检索通用肽段—谱图匹配库，参考信息无法影响网络探索哪些序列假设。 先验是一个在参考肽段、单氨基酸变体和参考前缀接随机后缀三类序列上训练的transformer语言模型，融合头用MassIVE-KB的20万条参考肽段谱图匹配训练，并在训练中交换先验前两名得分以模拟错误先验。

先验带来的收益随样本与参考的亲缘程度变化，在参考肽段、变异和抗体三类场景中方向一致。 同源驱动的数据库搜索在物种间序列差异增大时召回迅速衰减，而无先验的从头测序在所有考察的物种对上都明显优于这种搜索。 以人先验测试14个非人动物物种、以大肠杆菌先验测试10个细菌物种时，PepPr在最远物种上与无先验Casanovo相差不超过1.8个百分点，在较近物种上最多提升10.5个百分点，提升幅度随精确胰蛋白酶重叠度增加。

评估集中在高分辨率Orbitrap仪器上数据依赖采集得到的较高质量谱图，应用覆盖参考肽段、单氨基酸变异、同源驱动蛋白质组学和抗体测序四类；数据非依赖采集或单细胞蛋白质组学等谱图更模糊的设置尚未测试。

先验只显式建模参考肽段、单残基变异和发散序列三种情形，剪接、插入与缺失未纳入，三类训练成分的比例也未调优；作者使用单一通用先验而非按应用定制，并指出从头测序仍缺乏独立于数据库搜索真值的置信度校准方法。