质谱基础模型π-SPECFormer从2.91亿张谱图学表征，在肺腺癌中找出6个数据库未收录的突变肽
核心概要
常规数据库搜索只能为约20%至31%的谱图给出高置信肽段归属，其余谱图长期被搁置。π-SPECFormer在2.91亿张串联质谱上分两阶段预训练，先自监督学习碎片模式，再用肽段—谱图匹配分组细化表征。该模型在从头测序、谱图聚类和修饰检测三类任务上均优于对应基线，并在103例肺腺癌样本中给出9个高置信突变肽，其中6个不在所查公共数据库中。
深度剖析
质谱蛋白质组学中大量谱图无法被常规数据库搜索解释，π-SPECFormer把学习对象从已注释的肽段标签转向谱图本身，使这些未归属谱图也能提供可迁移的表征。 此前的深度学习模型多依赖数据库搜索产生的肽段—谱图匹配做监督训练，标签被限定在搜索所覆盖的序列与修饰空间内，因而难以利用规模更大的未注释谱图。 重新分析π-MSNet中十个最大数据集，常规方法的谱图鉴定率稳定落在约20%至31%之间，说明未归属谱图是普遍现象而非个别数据集的异常。
模型先在无标签谱图上做对比学习，再用匹配信息细化，同一套预训练编码器可迁移到从头测序、谱图聚类和修饰检测三类任务。 第一阶段对每张谱图随机遮蔽信号峰生成两个视图，用在线编码器与动量编码器分别编码，并以动态队列中的其他谱图作负样本优化InfoNCE目标；第二阶段把同一母离子的谱图视为正对、不同归属的谱图视为负对继续对比训练，肽段身份只用于构造配对而不作为输入。 在DeepNovo的九物种基准上，Stage 2在全部九个数据集取得最高肽段精度，相对各数据集最强非π-SPECFormer基线的最大相对提升为12.1%，即C. endoloripes上从33.0%升至37.0%；Stage 1在九个数据集中的八个超过四个参照方法，其余一个与最佳基线持平。
把预训练模型用于临床队列，可从常规搜索漏掉的谱图中读出单氨基酸突变肽，并据此提出可实验检验的候选。 在103例肺腺癌配对肿瘤与癌旁组织上，从头测序流程结合参考蛋白质组比对、谱图质量控制和定量分析，得到覆盖1712个蛋白的5103个候选单氨基酸突变。 交叉dbSNP、GDC、COSMIC和PubMed后，5103个候选中有3946个（77.3%）未出现在所查资源中；经合成肽谱图相似性验证，9个突变被列为高置信，其中6个未见于所查数据库，3个得到外部资源独立佐证。
启示与展望
已展示的范围是：在2.91亿张串联质谱上预训练，并在九物种从头测序基准、HeLa、小脑与九物种聚类数据、合成磷酸肽与LUAD磷酸化蛋白质组检测数据，以及103例CNHPP-LUAD队列上评估；突变与药物靶点界面的结构资源被明确定位为假设生成工具，而非实验确认的相互作用目录。
预训练数据多样性有限，向更多物种和数据非依赖采集数据扩展被列为后续方向；大量新突变与未注释肽的验证目前主要依赖计算假发现率控制和结构模拟，作者提出需用共免疫沉淀等实验确认结合关系，并在体内细胞模型中做功能表征。结构界面分析也明确说明，AF3置信分数、FoldX能量估计和接触变化不能证明复合物在细胞内形成、不能证明替换改变结合亲和力，也不能证明突变所在区域具备成药性。