基于肽段可消化性增强的肽段可检测性深度学习算法deepdetect及其在DIA库缩减中的应用

作者及发表信息
本研究的通讯作者为Yan Fu（付岩），来自中国科学院数学与系统科学研究院（Academy of Mathematics and Systems Science, Chinese Academy of Sciences）及中国科学院大学（University of Chinese Academy of Sciences）。其他作者包括Jinghan Yang（杨靖涵）、Zhiyuan Cheng（程志远）和Fuzhou Gong（龚福州）。研究发表于Analytical Chemistry期刊2023年3月第95卷，页码6235−6243。

学术背景

研究领域：本研究属于蛋白质组学（proteomics）中的计算蛋白质组学领域，聚焦于串联质谱（tandem mass spectrometry, MS/MS）数据分析中的肽段可检测性（peptide detectability）预测问题。

研究动机：在基于串联质谱的蛋白质组学中，蛋白质需经特定蛋白酶（protease）消化为肽段后进行分析，但实验中仅部分肽段可被检测到。肽段可检测性（定义为肽段在标准实验条件下被观测到的概率）是影响蛋白质鉴定覆盖率的关键因素。然而，现有预测工具存在以下局限：
1. 依赖手工特征（hand-crafted features），导致特征提取不充分；
2. 未考虑蛋白质消化效率（digestibility）对肽段检测的影响；
3. 缺乏支持多种蛋白酶的通用算法。

研究目标：开发一种名为deepdetect的双向长短期记忆网络（bidirectional long short-term memory, BiLSTM）算法，通过整合肽段可消化性（digestibility）提升可检测性预测精度，并应用于数据非依赖采集（data-independent acquisition, DIA）质谱的谱库缩减。

研究流程与方法

1. 数据准备与预处理
- 数据来源：使用8个训练数据集（覆盖8种蛋白酶：trypsin、ArgC、chymotrypsin、GluC、LysC、AspN、LysN、lysarginase）和11个独立测试数据集（来自大肠杆菌、酵母、小鼠和人类样本）。
- 数据处理：
- 通过MaxQuant软件（版本未明确）分析原始质谱数据，设置1%的假发现率（FDR）。
- 筛选高丰度蛋白质（根据谱计数和序列覆盖率排名前50%），通过in silico（计算机模拟）消化生成理论肽段，保留未鉴定肽段作为负样本。
- 为避免类别不平衡，训练集中正负样本数量均衡，而测试集保留所有未鉴定肽段作为负样本。

2. deepdetect算法设计
- 输入与编码：肽段序列通过嵌入层（embedding layer）转换为固定长度（Lmax）的矩阵（Lmax × 10），不足部分用零填充。
- 特征提取：BiLSTM网络提取40维特征向量，输出初始概率（p_BiLSTM）。
- 可消化性整合：
- 使用作者团队此前开发的deepdigest算法预测肽段两端及遗漏切割位点（missed cleavage sites）的消化概率（p_n, p_c, p_m）。
- 通过公式计算肽段可消化性（p_dig = p_n × p_c × Π(1−p_m)）。
- 最终预测：肽段可检测性（p_det）为p_BiLSTM与p_dig的乘积。

3. 性能评估与比较
- 评估指标：采用ROC曲线下面积（AUC）避免阈值偏差。
- 对比方法：包括现有深度学习工具pepformer、随机森林模型AP3及消化性预测工具deepdigest和DPMC。

4. DIA谱库缩减应用
- 实验设计：使用DIA-NN软件分析血浆和酵母数据集（PRIDE编号PXD014690），构建理论谱库后按deepdetect预测的可检测性排序，保留前n%（n=5–100）肽段生成缩减谱库。
- 评估指标：比较不同缩减比例下的肽段/蛋白质鉴定数量及计算时间。

主要结果

1. 预测性能提升
- 可消化性的贡献：整合p_dig后，deepdetect在11个测试数据集上的AUC显著提升（如chymotrypsin数据提升21.2%）。
- 对比优势：deepdetect的AUC（0.848–0.976）均高于pepformer，且在低丰度蛋白质中表现稳健（AUC 0.831–0.938）。

2. DIA应用效果
- 效率与灵敏度平衡：缩减谱库至前40%肽段时，DIA-NN运行时间减少42.6%（血浆数据），而肽段和蛋白质鉴定数量未下降（甚至提升0.9–3.6%）。
- 随机对照验证：随机缩减40%肽段导致鉴定数量骤降（如血浆数据中肽段减少76.3%），凸显deepdetect筛选的有效性。

结论与价值

科学意义：
1. 首次将肽段可消化性作为关键特征融入可检测性预测模型，揭示了消化效率对质谱检测的直接影响。
2. 提出支持多种蛋白酶的通用算法，填补了现有工具的局限性。

应用价值：
- DIA数据分析：大幅提升谱库搜索效率（节省40%以上时间），且不损失鉴定灵敏度，为大规模蛋白质组学研究提供实用工具。
- 工具开源：deepdetect代码及数据集公开（http://fugroup.amss.ac.cn/software/deepdetect/deepdetect.html），促进领域内方法开发。

研究亮点

1. 多蛋白酶支持：覆盖8种常用蛋白酶，远超现有工具（如pepformer仅支持trypsin）。
   
2. 端到端深度学习：直接以序列为输入，避免手工特征依赖，提升模型泛化能力。
   
3. 跨数据集验证：在4种生物样本（细菌至人类）中均表现优异，证实算法普适性。
   
4. 实际应用导向：首次将可检测性预测与DIA谱库缩减结合，解决计算瓶颈问题。
   

其他价值：
- 通过迁移学习（transfer learning）适配不同实验条件的数据，增强模型鲁棒性。
- 提出肽段可检测性可作为“缺失蛋白质”（missing proteins）鉴定困难的潜在解释，为后续研究提供新思路。