NovoCRF把质量约束写进状态空间:七个留出集平均肽召回42.4%,CPU吞吐为五束Casanovo的55倍
核心概要
从头测序此前多由大Transformer逐步生成残基,前体质量只在解码时以规则或过滤进入。NovoCRF把状态定义为前缀质量,使每条路径都对应一个质量可行的肽,并用物理推导的离子匹配特征给边打分、在所有质量可行肽上做精确全局归一化。在2026年公开的七个DDA留出集共126,262条标注谱上,其平均肽召回为42.4%、氨基酸召回64.0%,对照Casanovo v5五束为39.1%和53.1%,在18个CPU线程上达1,746谱/秒。
深度剖析
从头测序的搜索空间被改成前缀质量格点,模型输出的每条路径天然就是一个符合前体质量的肽,不再依赖解码阶段的束搜索过滤或质量控制单元。 此前的神经从头测序工具逐步或逐位置生成残基,前体质量只在解码时通过背包过滤、质量控制单元或图搜索引入,似然按步或按输出位置局部归一化。 在MassIVE-KB开发数据上,把全局归一化换成同一格点上按状态出边或入边的softmax,即最大熵马尔可夫模型,在相同训练数据下损失8到10个点的肽召回。
每条边的分数来自物理推导的离子匹配特征,而不是把单个m/z抬升成高维向量再让网络重学算术。 Casanovo等模型用正弦嵌入把每个峰的m/z编码为512维向量,质量约束只通过解码规则进入。 打分器是一个三层64单元ReLU的MLP,CRF层本身无参数,整个CRF部分共18,460个参数,全模型309,581个参数,在单块RTX 3090上训练约17 GPU小时。
前体质量修正、精确搜索和序列上下文被拆成三个各司其职的模块,未见过的修饰也能按精确质量搜索。 端到端大模型可以部分补偿错误的前体质量,但无法把修正与搜索分开检查。 用PrecursorMassFinder生成的MGF替换msconvert输出后,标注符合前体质量的比例从88.5%升到97.9%,NovoCRF平均召回提高2.24个点且无需重训;给定C+119.004后,它找到HLA-I开发集578条半胱氨酸化标注中的64.9%,不给时为零。
启示与展望
结果覆盖七个2026年公开的DDA留出集,每个数据集一个原始文件,训练后一次性评分;推理速度在18线程Intel i9-13900K上测得,手机端在结直肠癌HLA-I测试集上测得。
作者报告肽召回领先3.3个点未达显著(配对t检验与Wilcoxon),氨基酸召回领先10.9个点显著;Casanovo v5五束在人类胰蛋白酶和蛙Glu-C两个数据集上肽召回更高,其剩余优势集中在有四个以上无b或y离子支持的键的标注上。候选肽限制在48个残基以内,证据分析只统计所列离子类型。
