[论文解读] DeepNovoV2: Better de novo peptide sequencing with deep learning

Rui Qiao, Ngoc Hieu Tran+4 more|arXiv (Cornell University)|Apr 17, 2019

vaccines and immunoinformatics approaches参考文献 28被引用 15

一句话总结

DeepNovoV2 提出了一种用于从头肽段测序的最先进深度学习模型，通过正弦位置嵌入将质谱（MS/MS）谱图直接表示为（m/z, 强度）对，从而无需使用谱图卷积网络。通过结合一种顺序不变网络（T-Net）与双向LSTM，其在肽段层面的召回率比以往方法高出13.01%–23.95%，显著提升了个性化癌症疫苗开发中新抗原发现的准确性。

ABSTRACT

Personalized cancer vaccines are envisioned as the next generation rational cancer immunotherapy. The key step in developing personalized therapeutic cancer vaccines is to identify tumor-specific neoantigens that are on the surface of tumor cells. A promising method for this is through de novo peptide sequencing from mass spectrometry data. In this paper we introduce DeepNovoV2, the state-of-the-art model for peptide sequencing. In DeepNovoV2, a spectrum is directly represented as a set of (m/z, intensity) pairs, therefore it does not suffer from the accuracy-speed/memory trade-off problem. The model combines an order invariant network structure (T-Net) and recurrent neural networks and provides a complete end-to-end training and prediction framework to sequence patterns of peptides. Our experiments on a wide variety of data from different species show that DeepNovoV2 outperforms previous state-of-the-art methods, achieving 13.01-23.95\% higher accuracy at the peptide level.

研究动机与目标

• 为解决现有数据库搜索引擎在识别肿瘤特异性新抗原方面的局限性，特别是针对非胰蛋白酶切和稀有肽段的问题。
• 开发一种更准确、高效的从头肽段测序模型，避免谱图表示方法固有的准确率-速度/内存权衡问题。
• 实现在无需依赖预处理特征或卷积网络的前提下，直接从MS/MS谱图端到端训练和预测肽段序列。
• 通过在原始谱图数据上应用深度学习，提升个性化癌症疫苗开发中新抗原发现的敏感性和特异性。

提出的方法

• 将每个MS/MS谱图直接表示为一组（m/z, 强度）对，避免使用谱图卷积网络，并消除准确率-速度/内存之间的权衡。
• 对m/z值应用正弦位置嵌入，以编码峰的相对位置，使模型能够从m/z差值中学习，从而推断氨基酸身份。
• 使用可学习的T-Net（顺序不变网络）将谱图特征聚合为全局上下文向量，确保对峰顺序的不变性。
• 将T-Net的输出与双向LSTM结合，以自回归方式生成肽段序列，并引入对累积质量约束的关注。
• 利用谱图表示向量初始化LSTM隐藏状态，提升训练稳定性和性能。
• 采用束搜索结合背包动态规划方法，以约束搜索空间，提升预测效率和准确性。

实验结果

研究问题

• RQ1 通过直接建模原始MS/MS谱图而无需卷积特征提取，深度学习模型是否能够实现更高的从头肽段测序准确率？
• RQ2 与基于卷积的方法相比，使用T-Net实现的顺序不变谱图表示是否能提升在不同物种和肽段类型上的泛化能力？
• RQ3 正弦位置嵌入在多大程度上增强了模型从碎片离子m/z差值中推断氨基酸序列的能力？
• RQ4 与先前最先进模型（如DeepNovo）相比，T-Net与双向LSTM的结合如何提升肽段层面的召回率？
• RQ5 鉴于其直接的谱图表示和全局上下文编码，该模型在无需微调的情况下是否能在不同物种间有效泛化？

主要发现

• 在ABRF DDA数据集上，DeepNovoV2实现39.24%的肽段层面召回率，较DeepNovo的32.96%提升19.05%。
• 在九个物种的跨物种数据上，DeepNovoV2在所有测试物种中均比DeepNovo提升13.01%–23.95%的肽段召回率。
• 模型实现72.46%的氨基酸召回率和72.25%的氨基酸精确率，优于DeepNovo的67.81%和67.67%。
• 与使用谱图CNN相比，采用正弦位置嵌入可减少模型参数和计算量，同时保持相当的性能。
• T-Net组件实现了顺序不变的谱图编码，增强了模型在MS/MS数据中峰顺序变化下的泛化能力和鲁棒性。
• 采用束搜索与基于背包的搜索空间剪枝进行端到端训练，显著提升了预测的准确率和效率。