当前位置：首页 > news >正文

贺福初院士等：首个10亿级、AI就绪的蛋白质组学数据门户

news 2026/4/20 11:51:43

摘要

人工智能（AI）正在重塑蛋白质组学分析流程，在肽段鉴定灵敏度与定量性能上均实现显著提升。然而，受限于大规模、高质量、标注统一的数据集匮乏，深度学习模型在蛋白质组学领域的潜力尚未被充分挖掘。本文构建１个10亿级、AI就绪的质谱（MS）数据门户π-MSNet。该门户采用统一的鉴定与质控流程，整合了来自10种仪器类型、55个物种的36,356次液相色谱-串联质谱（LC-MS/MS）数据，包含超 16.6亿张MS/MS谱图、5.01亿条肽谱匹配（PSM）结果与900万个前体离子。依托社区协作，数据通过国际化、交互式、动态更新的网络平台共享。π-MSNet内置MSNetLoader Python接口，可无缝、可扩展地调取数据，原生支持PyTorch与TensorFlow框架，为谱图预测、保留时间预测、肽段从头测序３大核心任务提供了适配AI的模型训练与基准测试框架。基于π-MSNet重训主流模型后，模型性能较原始版本持续提升；优化模型已集成至π-MSNet智能代理，支持交互式、免部署使用。结合样本-数据关系格式（SDRF）元数据、开源云端分析流程与社区驱动的动态数据提交机制，π-MSNet成为支撑蛋白质组学AI可复现基准测试、稳健模型训练与创新加速的活体基础资源。

changcheng@ncpsb.org.cn

xielinhai@ncpsb.org.cn

yperez@ebi.ac.uk

hefuchu@cashq.ac.cn

#蛋白质组学 #质谱数据 #人工智能就绪 #活体数据门户 #深度学习 #肽谱匹配 #液相色谱串联质谱

结果

π-MSNet：蛋白质组学下游任务的基础资源

图1π-MSNet作为蛋白质组学下游任务的基础资源

(a) π-MSNet可适配蛋白质组学中各类下游任务，所有任务均集成至π-MSNet智能代理。

(b) π-MSNet处理流程：quantms重分析以SDRF元数据文件、原始质谱数据和FASTA格式蛋白质序列数据库为输入；除timsTOF数据集外，所有质谱数据采用多搜索引擎结合Percolator工具分析以消除引擎特异性偏差，随后按1%肽谱匹配（PSM）错误发现率（FDR）过滤；timsTOF数据集采用Sage工具分析；针对翻译后修饰（PTM）数据集，在PSM过滤后额外施加< 0.01的修饰定位错误率（FLR）阈值。

π-MSNet数据概览

图2π-MSNet概览

(a) 不同物种的肽谱匹配（PSM）数量（真核生物：绿色；病毒：红色；古菌：蓝色；原核生物：橙色）。

(b) 19种修饰类型对应的PSM数量。

(d) 4种酶解方式的PSM分布。

MS²谱图强度预测的缩放定律与模型基准测试

图3 MS²谱图强度预测的缩放定律与模型基准测试

训练所用(a)数据集规模、(b)模型规模增大时，模型性能平稳提升；在无其他因素限制时，模型经验性能与各变量呈幂律关系。

(d) 不同模型对未见前体的MS²预测准确率。

基于置信度的保留时间（RT）预测评估

图4 基于置信度的保留时间（RT）预测评估

(a) 不同软件工具中平均置信度＞0.5的肽段维恩图。