质谱蛋白质组学有了十亿级语料：35物种、15.4亿张谱图，从头测序模型不再从零学起
核心概要
MassNet是一个面向深度学习的质谱蛋白质组学数据语料，汇集来自648个项目、35个物种的15.4亿张串联质谱谱图，并配套列式张量存储格式MSDT。此前质谱数据分散在MGF、mzML等异构格式中，谱图与肽段注释分离，跨物种覆盖以人类为主。基于该语料训练的并行解码模型XuanjiNovo在人类Astral数据上较现有方法提升38.35%至143.57%，并支持保留时间预测与PSM重打分。
深度剖析
质谱蛋白质组学第一次有了按统一模式组织、可直接喂给深度学习框架的大规模谱图语料，覆盖动物、植物和微生物共35个物种。 此前的谱图库多以人类为中心，其他模式生物覆盖有限，且谱图峰列表与肽段序列、电荷态、修饰位点等注释分开存放，格式跨工具不统一。 语料整合了PRIDE和iProX两个公共库中648个项目的27643次液相色谱-串联质谱运行，经FragPipe和Sage两套搜索引擎在1%错误发现率下检索，合并去重后得到5.48亿条目标肽段-谱图匹配、461万个肽段前体和133422个蛋白质。
配套的MSDT格式把每张谱图存成带模式的数值数组，片段质荷比与强度按对齐数组保存，并保留目标或诱饵标签和来源元数据。 MGF、mzML等传统格式面向行存储文本，解析开销大，且不便于按列选择性读取，处理大规模数据时输入输出负担重。 在Orbitrap、timsTOF和TripleTOF三个平台各随机抽取15个原始文件比较七种序列化格式，Parquet在压缩比与读写速度之间取得较好平衡，因此被选为标准存储格式；运行级MSDT文件平均比合并后的源文件小约82%。
基于MassNet训练的XuanjiNovo采用并行解码而非逐残基生成，一次预测整条肽段序列，推理更快。 自回归模型逐token从左到右生成，解码顺序开销大，且在复杂异构数据上训练容易不稳定。 模型在MassNet中随机抽取的1亿条PSM上训练，训练与验证按肽段序列划分，两者不共享肽段序列。
课程学习让并行解码模型在大规模异构质谱数据上稳定收敛，而不是训练崩溃。 并行解码模型同时预测所有位置，搜索空间随序列长度指数扩大，在实验中最多80%的训练运行无法收敛。 训练早期向解码器提供部分被掩码的真实标签路径作为条件输入，随训练推进逐步增加掩码比例，模型始终以原始CTC目标优化。
启示与展望
语料只收录被FragPipe和Sage以1%错误发现率置信识别的谱图，未识别谱图未纳入；构建时只考虑甲硫氨酸氧化、N端乙酰化和半胱氨酸脲甲基化三种修饰。XuanjiNovo在15物种基准上人类数据集肽段召回率为0.45、小鼠为0.68；摘要报告其在人类Astral数据上较现有方法提升38.35%至143.57%。数据以Parquet格式分发，训练时转换为LMDB内存映射键值存储以支持随机访问。
在九物种基准上，未微调的XuanjiNovo在多数物种的肽段召回率低于现有方法，作者将其归因于基准使用早期Q Exactive仪器和旧版PEAKS注释流程，与训练数据的仪器和注释管线存在差异；用MassIVE-KB的3000万条PSM微调后，各物种性能明显提升，但人类数据集上仍略低于ContraNovo。PSM重打分模型仅用约400万条PSM训练，识别到的肽段少于FragPipe和Sage，作者认为扩大训练数据和调参可能改善。模型对磷酸化、泛素化、糖基化等修饰的处理能力有限。