# 从头肽段测序

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。

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。

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。

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。

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。

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。