DOI: https://doi.org/10.1038/s41467-026-72246-6
PMID: https://pubmed.ncbi.nlm.nih.gov/42045233
تاريخ النشر: 2026-04-27
المؤلف: Jun A وآخرون
الموضوع الرئيسي: تقنيات البروتيوميات المتقدمة وتطبيقاتها
نظرة عامة
يقدم هذا القسم نظرة عامة على DDA-BERT، نموذج التعلم العميق القائم على المحولات المصمم لإعادة تقييم تطابق الطيف الببتيدي (PSM) في البروتيوميات المعتمدة على البيانات. غالبًا ما تعتمد طرق إعادة التقييم التقليدية على مصنفات ضحلة تحد من قدرة النموذج التعبيرية، حتى عند دمج ميزات متقدمة مثل التمثيلات الطيفية المستمدة من التعلم العميق. على النقيض من ذلك، تم تدريب DDA-BERT على حوالي 271 مليون PSM من 11 نوعًا، مما يظهر تحسينات كبيرة في تحديد الببتيدات عبر مجموعات بيانات مختلفة، مع زيادات تتراوح من 2.24% إلى 269.35% لعينات الإنسان والخميرة والدروسوفيلا والأرابيدوبسيس.
بالإضافة إلى ذلك، يظهر DDA-BERT حساسية محسنة للبروتيوميات على مستوى الشوائب ويحقق مكاسب إضافية تتراوح من 4.14% إلى 87.47% في تحديد الببتيدات على بيانات HLA المناعية. ومع ذلك، فإن أداء النموذج يعتمد على الحوسبة المعتمدة على GPU وتوافر مجموعات بيانات تدريب كبيرة ومتنوعة. تؤسس هذه الأبحاث DDA-BERT كبديل واعد لتحديد الببتيدات القابلة للتوسع، المدفوعة بالذكاء الاصطناعي في البروتيوميات المعتمدة على البيانات، مما يمهد الطريق للتقدمات المستقبلية في هذا المجال.
مقدمة
في مجال البروتيوميات المعتمدة على البيانات (DDA)، يعتمد تحديد الببتيدات بشكل أساسي على البحث في قواعد بيانات تسلسل البروتين، والتي تتضمن هضمًا حاسوبيًا لتسلسلات البروتين لإنشاء طيف ببتيدي نظري للمقارنة مع الأطياف التجريبية MS/MS. لتعزيز دقة التحديد، تجمع خوارزميات إعادة تقييم التعلم الآلي بين درجات البحث الأولية في قاعدة البيانات مع ميزات متنوعة، مثل طول الببتيد وكتلة السلف، مما يحسن من ثقة تطابق الطيف الببتيدي (PSM). تم تطوير أدوات شائعة مثل Percolator وPeptideProphet وScavager وNokoi لتحسين تحديد PSM؛ ومع ذلك، غالبًا ما تعتمد على نماذج تعلم آلي ضحلة وتدريب معزول على مجموعات بيانات محددة، مما يمكن أن يحد من فعاليتها، خاصة في دراسات العينات غير المتجانسة.
أظهرت التطورات الأخيرة في التعلم العميق وعدًا في التنبؤ بخصائص الببتيد الحرجة، مثل وقت الاحتفاظ وأنماط التفتت، والتي يمكن أن تعزز الطرق التقليدية للتقييم. بدأت أدوات مثل MS²Rescore وInSPIRE في دمج هذه التنبؤات في أطر إعادة التقييم، ومع ذلك، لا تزال تعمل ضمن بنية مجزأة تفصل بين استخراج الميزات وتدريب النموذج. يقدم هذا البحث DDA-BERT، نموذج المحولات المصمم لاستخدام نهج التعلم من النهاية إلى النهاية لوظائف إعادة التقييم مباشرة من الأطياف MS الخام وتسلسلات الببتيد، مما يلغي الحاجة إلى هندسة الميزات اليدوية. يهدف هذا الإطار المبتكر إلى التقاط العلاقات غير الخطية المعقدة وتحسين خط الأنابيب بالكامل، مما قد يحسن الأداء في مهام إعادة التقييم المقيدة.
طرق
يحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً للموضوع. تضمنت المنهجيات المحددة تجارب محكومة، ونمذجة إحصائية، ومحاكاة، تم تصميمها لاختبار الفرضيات التي تم صياغتها في بداية البحث.
شمل جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام تقنيات إحصائية متقدمة، بما في ذلك تحليل الانحدار واختبار الفرضيات، لتقييم أهمية النتائج. يتناول القسم أيضًا معايير اختيار المشاركين، وتحديد حجم العينة، والاعتبارات الأخلاقية التي تم الالتزام بها طوال الدراسة. بشكل عام، تم تصميم الطرق المستخدمة بدقة لتحقيق نتائج قوية وقابلة للتكرار، مما يساهم في موثوقية استنتاجات الدراسة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على نقاط البيانات والاتجاهات الملحوظة طوال الدراسة. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية، والتي قد تشمل قيم p، وفترات الثقة، أو مقاييس أخرى ذات صلة تدعم صلاحية النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح العلاقات بين المتغيرات أو لمقارنة ظروف تجريبية مختلفة. تعزز هذه المساعدات البصرية من وضوح النتائج وتساعد في فهم أفضل لتداعيات البحث. بشكل عام، تساهم النتائج في الجسم المعرفي الموجود في هذا المجال وقد تقترح اتجاهات للبحث المستقبلي أو التطبيقات العملية.
مناقشة
يمثل إطار DDA-BERT تقدمًا كبيرًا في إعادة تقييم تطابق الطيف الببتيدي (PSM) لقياس الطيف الكتلي المعتمد على البيانات (DDA-MS). تم تدريبه على مجموعة بيانات شاملة تضم 12,285 تشغيل LC-MS/MS عبر أنواع ومنصات أجهزة قياس الطيف الكتلي المختلفة، يستخدم DDA-BERT نهج تحسين تكراري يدمج البحث في قاعدة البيانات، وإعادة التقييم المعتمدة على النموذج، واستخراج السلبية الصعبة. يعزز هذا المنهج قدرة النموذج على التمييز بين PSM الصحيحة وغير الصحيحة، مما يؤدي إلى توزيعات درجات الهدف-الطعم القوية التي تحافظ على التحكم الفعال في معدل الاكتشاف الخاطئ (FDR). من الجدير بالذكر أن DDA-BERT يظهر هيكلًا ثنائي القمة واضحًا في درجات الهدف، مع فصل بارز عن درجات الطعم، مما يدل على أداء متفوق في تحديد PSM عالية الثقة مقارنة بالأدوات الحالية.
تظهر المقارنة مع خمسة أطر متطورة عبر أنواع متعددة أن DDA-BERT يتفوق باستمرار على منافسيه في استعادة PSM وتحديد الببتيدات الفريدة. على سبيل المثال، عند عتبة FDR بنسبة 1%، حدد DDA-BERT أكثر من 63,556 PSM في مجموعات بيانات الإنسان، متجاوزًا بشكل كبير الطرق الأخرى. بالإضافة إلى ذلك، يظل أداء DDA-BERT مستقرًا عبر أطوال الببتيد المختلفة وفي السيناريوهات الصعبة، مثل البروتيوميات على مستوى الخلية الواحدة وبيانات HLA المناعية. يقلل تصميم الإطار، الذي يتضمن إخفاء النطاق المتصل وسقوط الطيف، من خطر تذكر التسلسل ويعزز القابلية للتعميم عبر مجموعات بيانات متنوعة. بشكل عام، لا يكمل DDA-BERT فقط سير العمل الحالي لإعادة التقييم، ولكنه يضع أيضًا معيارًا جديدًا لتحديد الببتيدات المدفوعة بالذكاء الاصطناعي في البروتيوميات المعتمدة على البيانات.
DOI: https://doi.org/10.1038/s41467-026-72246-6
PMID: https://pubmed.ncbi.nlm.nih.gov/42045233
Publication Date: 2026-04-27
Author(s): Jun A et al.
Primary Topic: Advanced Proteomics Techniques and Applications
Overview
The section presents an overview of DDA-BERT, a novel transformer-based deep learning model designed for peptide-spectrum match (PSM) rescoring in data-dependent acquisition (DDA) proteomics. Traditional rescoring methods often rely on shallow classifiers that limit the model’s expressive capacity, even when incorporating advanced features such as deep learning-derived spectral representations. In contrast, DDA-BERT is trained on approximately 271 million PSMs from 11 species, demonstrating significant improvements in peptide identification across various datasets, with increases ranging from 2.24% to 269.35% for human, yeast, Drosophila, and Arabidopsis samples.
Additionally, DDA-BERT shows enhanced sensitivity for trace-level proteomics and achieves further gains of 4.14% to 87.47% in peptide identifications on HLA immunopeptidomics data. However, the model’s performance is contingent upon GPU-based computing and the availability of large, diverse training datasets. This research establishes DDA-BERT as a promising alternative for scalable, AI-driven peptide identification in DDA proteomics, paving the way for future advancements in the field.
Introduction
In the realm of data-dependent acquisition (DDA)-based proteomics, peptide identification predominantly hinges on protein sequence database searches, which involve in silico digestion of protein sequences to create theoretical peptide spectra for comparison with experimental MS/MS spectra. To enhance identification accuracy, machine learning rescoring algorithms amalgamate initial database search scores with various features, such as peptide length and precursor mass, thereby improving peptide-spectrum match (PSM) confidence. Commonly employed tools like Percolator, PeptideProphet, Scavager, and Nokoi have been developed to refine PSM identification; however, they often rely on shallow machine learning models and isolated training on specific datasets, which can limit their effectiveness, particularly in heterogeneous sample studies.
Recent advancements in deep learning have shown promise in predicting critical peptide properties, such as retention time and fragmentation patterns, which can augment traditional scoring methods. Tools like MS²Rescore and InSPIRE have begun to integrate these predictions into rescoring frameworks, yet they still operate within a fragmented architecture that separates feature extraction from model training. This paper introduces DDA-BERT, a transformer model designed to utilize an end-to-end learning approach for rescoring functions directly from raw MS spectra and peptide sequences, thereby eliminating the need for manual feature engineering. This innovative framework aims to capture complex nonlinear relationships and optimize the entire pipeline, potentially improving performance in constrained rescoring tasks.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive analysis of the subject matter. Specific methodologies included controlled experiments, statistical modeling, and simulations, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using advanced statistical techniques, including regression analysis and hypothesis testing, to evaluate the significance of the findings. The section also details the criteria for participant selection, sample size determination, and the ethical considerations adhered to throughout the study. Overall, the methods employed were rigorously designed to yield robust and reproducible results, contributing to the reliability of the study’s conclusions.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant data points and trends observed throughout the study. The results are often accompanied by statistical analyses, which may include p-values, confidence intervals, or other relevant metrics that support the validity of the findings.
Additionally, the section may include visual representations such as graphs or tables to illustrate the relationships between variables or to compare different experimental conditions. These visual aids enhance the clarity of the results and facilitate a better understanding of the implications of the research. Overall, the findings contribute to the existing body of knowledge in the field and may suggest directions for future research or practical applications.
Discussion
The DDA-BERT framework represents a significant advancement in peptide-spectrum match (PSM) rescoring for data-dependent acquisition mass spectrometry (DDA-MS). Trained on a comprehensive dataset of 12,285 LC-MS/MS runs across various species and mass spectrometer platforms, DDA-BERT employs an iterative refinement approach that integrates database searching, model-based rescoring, and hard negative mining. This methodology enhances the model’s ability to distinguish between correct and incorrect PSMs, resulting in robust target-decoy score distributions that maintain effective false discovery rate (FDR) control. Notably, DDA-BERT demonstrates a clear bimodal structure in target scores, with a pronounced separation from decoy scores, indicating superior performance in identifying high-confidence PSMs compared to existing tools.
Benchmarking against five state-of-the-art frameworks across multiple species reveals that DDA-BERT consistently outperforms its competitors in PSM recovery and unique peptide identification. For instance, at a 1% FDR threshold, DDA-BERT identified over 63,556 PSMs in human datasets, significantly surpassing other methods. Additionally, DDA-BERT’s performance remains stable across varying peptide lengths and in challenging scenarios, such as single-cell proteomics and HLA immunopeptidomics. The framework’s design, which incorporates contiguous-span masking and spectrum dropout, mitigates the risk of sequence memorization and enhances generalizability across diverse datasets. Overall, DDA-BERT not only complements existing rescoring workflows but also sets a new standard for AI-driven peptide identification in DDA proteomics.