蛋白质组质谱有了十亿级语料库：MassNet收录5.48亿条PSM，跨15物种从头测序领先
核心概要
蛋白质组质谱的公共数据虽多，却因格式杂乱、元数据缺失和物种偏人类而难以直接训练深度学习模型。MassNet整合648个项目、35个物种的DDA数据，收录5.48亿条PSM，并以张量化的MSDT格式存储谱图、配套可溯源元数据。在覆盖15个物种、966万条PSM的基准上，基于该语料训练的XuanjiNovo在人和小鼠数据集的肽段召回率分别为0.45和0.68，番茄数据集为0.25，均高于所列常用从头测序模型。
深度剖析
蛋白质组质谱领域出现了一套可直接用于深度学习训练的大规模标准化语料库，把分散在公共库中的已鉴定谱图整理成统一、可批量加载的数据资源。 此前的公共谱图库格式各异、以纯文本行式存储为主，难以按需加载成张量批次，且缺少可追溯到原始raw文件与检索参数的元数据，数据还高度集中于人类样本。 MassNet取自PRIDE与iProX共648个项目，覆盖35个物种，经FragPipe与Sage两套引擎独立搜库并在PSM、肽前体、肽段、蛋白四级设1% FDR后合并去重，得到5.48亿条目标PSM、461万肽前体、254万唯一肽段和133,422个蛋白。
配套的MSDT格式只保留AI建模必需的信息，把谱图存成张量结构，并可用独立元数据文件支撑溯源。 研究者在三类质谱仪器上比较7种数据格式，按读取速度与压缩率综合取舍，最终以Parquet作为MSDT的载体。 MSDT可转换为LMDB以支持随机访问，用于缓解模型训练中的I/O瓶颈；这一格式与语料库共同构成下游任务的输入基础。
以肽段从头测序为验证场景，基于MassNet训练的XuanjiNovo在跨物种基准上取得领先，并随训练数据规模扩大而继续提升。 该基准包含15个物种、307个原始质谱文件、3,078万张MS/MS谱图和966万条PSM，规模超过此前发表的九物种基准。 XuanjiNovo在所有物种及不同谱图覆盖水平下均优于π-HelixNovo、Casanovo V2、InstaNovo+、ContraNovo和π-PrimeNovo；用1亿条PSM训练的XuanjiNovo-100M在氨基酸水平召回率约0.82、肽段水平约0.68，均优于较小规模训练模型及π-PrimeNovo。
启示与展望
已展示的范围是DDA质谱数据，覆盖35个物种与十多个高分辨质谱平台，验证场景为肽段从头测序，并附带保留时间预测与PSM重打分两项下游任务；语料库与MSDT格式通过PRIDE PXD071590与GitHub仓库公开。
原生XuanjiNovo-100M在九物种基准上的表现存在局限，加入MassIVE-KB的3000万条PSM微调后得到的XuanjiNovo-130M才在各物种上普遍提升；语料库物种构成仍以人和小鼠为主，植物样本数据总量明显少于动物。