Nat. Commun. | 通过课程式深度学习提升宏蛋白组学中肽段识别性能

DRUGONE

宏蛋白质组学为理解微生物群落的功能活动提供了强大手段，但由于蛋白数据库的庞大与不完整，肽段的准确识别仍具挑战性。研究人员提出了 WinnowNet，一种基于深度学习的 肽谱匹配（PSM）过滤方法，包含 Transformer 与卷积神经网络（CNN）两个版本。WinnowNet 能处理 PSM 数据的无序特性，并采用 课程学习（Curriculum Learning） 策略，从简单到复杂样本逐步训练模型。

在多个基准宏蛋白质组数据集中，WinnowNet 在相同的假发现率（FDR）下识别出更多真实肽段，相比 Percolator、MS2Rescore 和 DeepFilter 等主流方法表现更优。WinnowNet 还能揭示与饮食和健康相关的人体肠道微生物组生物标志物，展示了其在个性化医学中的潜力。

宏蛋白质组学通过分析来自土壤、海洋或肠道等复杂环境的蛋白质，揭示微生物群落的结构与功能。典型的流程包括：蛋白质水解生成肽段，经 LC-MS/MS 分析获得质谱信号，然后将实验谱图与蛋白数据库中理论谱图匹配。匹配评分（PSM 分数）用于评估相似度，并通过设定阈值控制假发现率（FDR），以筛除错误匹配。

然而，随着质谱技术和宏基因组测序的发展，谱图数量和数据库规模急剧增加，导致随机匹配得高分的概率升高，从而增加了错误识别风险。传统的统计或机器学习过滤算法（如 Percolator、PeptideProphet）主要依赖人工设计特征，难以充分利用谱图中蕴含的复杂模式。

为此，研究人员开发了 WinnowNet，一种能自动学习实验谱与理论谱之间特征关系的深度学习架构，并引入课程学习提升模型的泛化性与收敛速度。

方法

WinnowNet 框架

WinnowNet 旨在对数据库搜索产生的肽谱匹配结果进行重排序，以提高识别准确率。

研究人员使用 ProteomeTools 数据集及多个宏蛋白质组数据库构建大规模训练集，结合 Transformer 与 CNN 两种结构以适应不同任务。

模型输入包括实验谱图与理论谱图，经归一化后分别送入谱图编码器（Spectrum Encoder），由自注意力机制捕获谱峰间的相互关系。两者输出连接后通过全连接层输出匹配概率，反映 PSM 的置信度。

课程学习（Curriculum Learning） 用于从简单到复杂样本逐步训练模型：

• 阶段1（简单任务）：使用 ProteomeTools 合成肽谱数据训练模型；
• 阶段2（复杂任务）：在海洋宏蛋白质组数据（Marine1）上继续训练，以学习真实复杂噪声特征。

模型在训练中采用早停机制防止过拟合，并通过交叉验证评估性能。

结果

基准数据集与评估指标

研究人员在十二个宏蛋白质组数据集上测试 WinnowNet，包括人工混合物（P1–P3）、海洋样本（Marine1–3）、土壤样本（Soil1–3）和人类肠道样本（Human Gut、Human Gut timsTOF）。

所有结果均基于 1% FDR 计算，采用 “Entrapment” 方法评估识别准确性，通过随机打乱目标蛋白或引入外源蛋白生成假目标，以估计假发现率（FDR）与假匹配率（FMR）。

性能比较

与主流过滤算法比较

WinnowNet 与 Percolator、Q-ranker、PeptideProphet、iProphet、MS2Rescore 和 DeepFilter 六种算法进行比较。结果显示，WinnowNet 在所有数据集上均获得最高的 PSM、肽段和蛋白识别数。

• 海洋数据集：WinnowNet 比 MS2Rescore 平均多识别 12.6% 的 PSM、12.4% 的肽段和 9.3% 的蛋白。
• 肠道数据集：WinnowNet 提高约 8% 的 PSM、6.8% 的肽段和 5.7% 的蛋白。
• 土壤数据集：提升 9.4%、11.6%、7.6%。
• 人工混合样本：提升 9.1%、9.3%、7.5%。

相较 DeepFilter，WinnowNet 在海洋数据中提升 10% 左右，在复杂肠道数据中仍保持 3–4% 的提升。

这些结果表明 WinnowNet 更好地捕获了实验谱与理论谱之间的匹配规律，从而显著增强识别准确性。

集成到主流分析流程中的表现

研究人员将 WinnowNet 集成至四种常用宏蛋白质组分析平台：Sipros-Ensemble、FragPipe、Peaks Studio 和 AlphaPept。

在 Marine3、Soil3、P3 和 Human Gut 数据集上，所有平台在引入 WinnowNet 后均显著提升：

• PSM 识别提升 8.6–13.8%；
• 肽段识别提升 6–25%；
• 蛋白识别提升 2.5–12.8%。

这些一致的改进证明了 WinnowNet 的稳健性与可扩展性。

肠道宏蛋白质组的生物学洞察

研究人员对仅被 WinnowNet 识别的人体肠道蛋白进行注释分析，发现共计 1015 个独特蛋白，来自 50 种微生物。

其中包括多种低丰度但重要的肠道菌群，如：

• Dorea longicatena：参与短链脂肪酸生成和碳水代谢；
• Hungatella hathewayi：与多种感染相关；
• Sutterella sp. AM11-39：与炎症性肠病及自闭症有关。

此外，这些特异性蛋白关联到三条 KEGG 通路，如 二甲苯降解 与 膦酸盐代谢，与膳食代谢及益生菌功能密切相关。

计算效率

CNN 版 WinnowNet 仅含 82 万参数，为 DeepFilter 的 22%，训练与推理速度更快。

在 GPU 加速下，CNN 版 WinnowNet 多数数据集推理时间不足 10 分钟，而 Transformer 版约 30 分钟。

该架构在计算效率与识别精度间实现灵活平衡，适用于不同资源条件的实验室。

讨论

现有 PSM 重排序算法多依赖人工特征或基于支持向量机的回归模型，无法充分利用谱图间的复杂模式。

WinnowNet 的优势在于：

• 自动学习实验谱与理论谱之间的高维匹配特征；
• 具备无序数据的鲁棒性；
• 通过课程学习实现快速收敛与强泛化性。

研究人员指出，虽然 WinnowNet 当前作为数据库搜索后的重评分工具，但其潜力可进一步扩展为完整的数据库搜索引擎。未来计划包括：

• 构建端到端的预训练模型，直接预测候选肽段得分；
• 通过并行化加速推理，提高大规模样本处理效率；
• 控制肽段同源性引发的过拟合问题，增强模型可迁移性。

进一步分析显示，WinnowNet 学习到的注意力权重能聚焦关键碎片离子，从而区分真伪 PSM，这为解释模型内部机制提供了新视角。

总体而言，WinnowNet 显著提升了宏蛋白质组数据的肽段与蛋白识别率，为复杂微生物群落功能解析及个性化医学研究提供了新工具。

整理 | DrugOne团队

参考资料

Feng, S., Zhang, B., Wang, H. et al. Enhancing peptide identification in metaproteomics through curriculum learning in deep learning. Nat Commun 16, 8934 (2025).

https://doi.org/10.1038/s41467-025-63977-z

内容为【DrugOne】公众号原创｜转载请注明来源