[论文解读] DPST: De Novo Peptide Sequencing with Amino-Acid-Aware Transformers

Yan Yang, Zakir Hossain+4 more|arXiv (Cornell University)|Mar 23, 2022

Advanced Proteomics Techniques and Applications被引用 8

一句话总结

DPST 提出了一种基于 Transformer 的新型从头肽序列分析框架，通过置信度值聚合与全局-局部融合解码，实现氨基酸感知的谱图表示。通过从闭式整数线性规划（ILP）解中推导归纳偏置，其将搜索空间缩小了 90%，并在肽序列准确率上比最先进方法高出 12%–19%。

ABSTRACT

De novo peptide sequencing aims to recover amino acid sequences of a peptide from tandem mass spectrometry (MS) data. Existing approaches for de novo analysis enumerate MS evidence for all amino acid classes during inference. It leads to over-trimming on receptive fields of MS data and restricts MS evidence associated with following undecoded amino acids. Our approach, DPST, circumvents these limitations with two key components: (1) A confidence value aggregation encoder to sketch spectrum representations according to amino-acid-based connectivity among MS; (2) A global-local fusion decoder to progressively assimilate contextualized spectrum representations with a predefined preconception of localized MS evidence and amino acid priors. Our components originate from a closed-form solution and selectively attend to informative amino-acid-aware MS representations. Through extensive empirical studies, we demonstrate the superiority of DPST, showing that it outperforms state-of-the-art approaches by a margin of 12% - 19% peptide accuracy.

研究动机与目标

• 解决现有从头肽序列分析方法在推理过程中依赖氨基酸类别穷举枚举的局限性。
• 通过整合结构与谱图先验，克服基于质谱（MS）的肽序列分析中上下文推理能力差与搜索空间过大的问题。
• 开发一种模型，能够选择性关注具有信息量的、氨基酸感知的 MS 证据，以提升推理效率与准确率。
• 将闭式整数线性规划（ILP）解的归纳偏置整合到 Transformer 架构中，以在学习过程中约束可行解的范围。
• 在具有挑战性的数据集上展示优越性能，特别是在肽序列召回率与准确率方面，显著优于最先进基线方法。

提出的方法

• 提出一种置信度值聚合编码器，基于氨基酸连接性建模成对 MS 谱峰对齐，实现上下文感知的谱图表示。
• 采用全局-局部融合解码器，结合局部 MS 证据与全局上下文信息，由学习得到的氨基酸先验引导以优化预测结果。
• 将闭式整数线性规划（ILP）解作为理论基础，推导归纳偏置，将搜索空间缩小 90%。
• 在编码器中应用基于 kNN 的自注意力机制，并通过算法 1 进行置信度阈值筛选，仅保留最可靠的峰，以聚焦于相关谱特征。
• 采用端到端训练方式，使用肽序列上的交叉熵损失进行优化，注意力机制通过超参数 k（邻居数量）与 δ（置信度阈值）进行调优。
• 在解码器中引入氨基酸先验，以引导注意力机制，提升预测序列与 MS 证据之间的对齐能力。

实验结果

研究问题

• RQ1 基于 Transformer 的架构结合氨基酸感知的谱图表示，是否能在准确率与召回率上超越现有从头肽序列分析方法？
• RQ2 将闭式 ILP 解作为归纳偏置引入后，对搜索空间大小与模型泛化能力有何影响？
• RQ3 置信度值聚合在多大程度上通过连接不同氨基酸位置的 MS 峰，提升了上下文推理能力？
• RQ4 结合氨基酸先验的全局-局部融合解码器是否通过平衡局部证据与全局上下文，提升了推理性能？
• RQ5 超参数 k（邻居数）与 δ（置信度阈值）如何影响模型性能及其对噪声 MS 数据的鲁棒性？

主要发现

• DPST 在多个基准数据集（包括具有挑战性的 C. endoloripes 数据集）上，相较于最先进方法，肽序列准确率提升 12%–19%。
• 通过置信度值聚合，模型将有效搜索空间缩小 90%，显著提升了计算效率与推理稳定性。
• 消融实验表明，将置信度值聚合与全局及局部解码分支结合，可达到最低困惑度（1.28），优于所有其他变体。
• 在编码器中，k=8 与 δ=8 时性能最优，表明邻居数量与置信度阈值的合理平衡对峰对齐至关重要。
• 模型在肽序列召回率上的增益高于位置级准确率，表明其上下文推理能力更强，且对孤立缺失峰的敏感性更低。
• 结合氨基酸先验的全局-局部融合解码器通过将预测序列与判别性 MS 表示对齐，同时过滤噪声，显著提升了性能。