跳到正文
方法与工具Nature Methods · 质谱数据资源与深度学习方法

MassNet：支持蛋白质组学可扩展深度学习的十亿级AI就绪质谱数据语料库

MassNet: billion-scale AI-ready mass spectral corpus empowering scalable deep learning in proteomics.

一句话发布MassNet十亿级质谱语料库及标准化格式，并开发用于肽段从头测序的XuanjiNovo模型。

研究问题

如何构建适合大规模深度学习的标准化蛋白质组学质谱语料库，并利用该资源支持肽段从头测序及其他下游任务？

数据与样本

MassNet汇集35个物种的高质量DDA MS数据，包含1.5 billion张串联MS谱图，其中约1.7 million个肽段前体来自人类样本。XuanjiNovo的性能比较使用了人类Astral数据。

分析流程

  1. 1构建数据语料库：汇集35个物种的高质量DDA MS数据，建立MassNet。
  2. 2标准化数据组织：提出MSDT格式，用于多来源数据的紧凑存储、整理与复用。
  3. 3支持高效数据读取：可选择将MSDT转换为Lightning Memory-Mapped Database，以加速深度学习输入/输出。
  4. 4开发从头测序模型：基于MassNet构建非自回归Transformer模型XuanjiNovo，并采用课程学习策略。
  5. 5比较模型性能：在人类Astral数据上，将XuanjiNovo与当前最先进方法进行比较。
  6. 6拓展下游应用：利用MassNet支持保留时间预测和PSM重新评分。

关键方法与工具

MassNet
提供大规模质谱训练数据
Mass Spectrometry DDA Tensor (MSDT)
标准化存储与复用数据
Lightning Memory-Mapped Database
加速深度学习输入输出
XuanjiNovo
肽段从头测序
nonautoregressive transformer
构建从头测序模型
curriculum learning
用于模型学习策略
data-dependent acquisition (DDA)
采集质谱数据

设计思路

将跨物种的大规模质谱数据资源、标准化数据格式与下游模型开发相结合，同时解决数据组织与模型应用问题。通过在人类Astral数据上与当前最先进方法比较，评估XuanjiNovo的性能，并以保留时间预测和PSM重新评分展示资源的其他用途。

主要发现

  • MassNet包含35个物种的1.5 billion张串联MS谱图，其中约1.7 million个肽段前体来自人类样本。
  • MSDT支持多来源DDA数据的紧凑、标准化存储、整理与复用，并可转换为Lightning Memory-Mapped Database以加速输入/输出。
  • 在人类Astral数据上，XuanjiNovo较当前最先进方法提升38.35-143.57%，摘要未说明该提升对应的具体评价指标。
  • MassNet还支持保留时间预测和PSM重新评分。

可借鉴之处

  • 整合多来源质谱数据时，可借鉴本文先统一数据表示、再用于模型开发的路径，将数据整理与下游分析衔接起来。
  • 开展大规模深度学习时，可借鉴本文将标准化存储格式与可选的高效读取格式分开的做法，兼顾数据复用与训练输入/输出需求。
  • 开发肽段从头测序方法时，可参考本文非自回归Transformer结合课程学习的策略，并在明确的数据场景下与现有方法比较。

数据与代码

摘要介绍了MassNet数据语料库、MSDT数据格式及XuanjiNovo模型，但未提供数据下载位置、数据库编号或代码仓库。

摘要（中文翻译）

受大规模文本和图像数据语料库的启发，我们在此提出MassNet，这是一个面向基于质谱（MS）的蛋白质组学的人工智能（AI）就绪数据语料库。该语料库包含来自35个物种的高质量数据依赖采集（DDA）MS数据中的1.5 billion张串联MS谱图。其中，约1.7 million个肽段前体来自人类样本。我们进一步提出一种名为Mass Spectrometry DDA Tensor（MSDT）的AI就绪DDA数据格式，用于对多来源数据进行紧凑、标准化的存储、整理与复用，并可选择将其转换为Lightning Memory-Mapped Database，以加速深度学习中的输入/输出。基于MassNet，我们开发了XuanjiNovo，这是一种利用课程学习策略进行肽段从头测序的非自回归Transformer模型。在人类Astral数据上，XuanjiNovo较当前最先进方法提升38.35-143.57%。MassNet还支持其他下游任务，包括保留时间预测和肽谱匹配（PSM）重新评分。MassNet是一项基础性的基于MS的蛋白质组学数据资源，标志着AI蛋白质组学研究的一个重要里程碑。

英文原文摘要

Here we present MassNet, inspired by large-scale data corpora of text and images; MassNet is an artificial intelligence (AI)-ready data corpus for mass spectrometry (MS)-based proteomics. The corpus contains 1.5 billion tandem MS spectra from high-quality data-dependent acquisition (DDA) MS data across 35 species. Approximately 1.7 million peptide precursors are from human samples. We further present an AI-ready DDA data format called Mass Spectrometry DDA Tensor (MSDT) for compact and standardized storage, curation and reuse of data from multiple sources, which can be optionally converted to a Lightning Memory-Mapped Database for accelerated input/output in deep learning. On the basis of MassNet, we develop XuanjiNovo, a nonautoregressive transformer model that leverages a curriculum learning strategy for de novo peptide sequencing. XuanjiNovo achieves 38.35-143.57% improvement over state-of-the-art methods on human Astral data. MassNet also supports additional downstream tasks, including retention time prediction and PSM rescoring. MassNet represents a foundational MS-based proteomics data resource, marking a critical milestone for AI proteomics research.

摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。