SOTA のパフォーマンス、ワシントン大学が質量スペクトルをペプチド配列に変換するトランスフォーマー モデルを開発、Nature サブジャーナルに掲載

編集者 | 大根の皮

質量分析ベースのプロテオミクスにおける基本的な課題は、各タンデム質量スペクトル (MS/MS) を生成するペプチドの同定です。既知のペプチド配列のデータベースに依存する方法は、予期しないペプチドを検出できず、場合によっては非実用的または適用できない可能性があります。

したがって、事前情報なしでペプチド配列を MS/MS に割り当てる機能 (つまり、新規ペプチド配列決定) は、抗体配列決定、免疫ペプチドミクス、メタプロテオミクスなどのタスクにとって非常に価値があります。

この問題を解決するために多くの方法が開発されてきましたが、MS/MS の不規則なデータ構造をモデル化することが難しいこともあり、未解決の課題のままです。

ここで、ワシントン大学の研究者は、Transformer ニューラル ネットワーク アーキテクチャを使用して MS/MS のピーク配列を、結果として得られるペプチドを構成するアミノ酸配列に変換する機械学習モデルである Casanovo について説明します。

チームは、3,000 万のラベル付きスペクトルで Casanovo モデルをトレーニングし、このモデルが異種ベンチマーク データセットでいくつかの最先端の手法よりも優れていることを実証しました。

チームは、非酵素ペプチド用に微調整されたバージョンの Casanovo も開発しました。このツールは、免疫ペプチドミクスおよびメタプロテオミクス実験の分析を改善し、科学者が暗いプロテオームをより深く調査できるようにします。

この研究は「トランスフォーマーモデルを使用した質量スペクトルからペプチドへの配列間変換」というタイトルで、2024年7月31日に「Nature Communications」に掲載されました。

1. 質量分析は、複雑な生物学的システム内のタンパク質を同定および定量するために使用される主流のプロテオーム分析技術です。

2. タンデム質量分析 (MS/MS) テクノロジーは複雑なデータを生成し、これらのスペクトルをタンパク質のアミノ酸配列に変換するのは困難です。
3. ディープラーニングは、デノボペプチドシークエンシングの最初の選択肢となっていますが、その制限には次のようなものがあります: 注釈付きのMS/MSスペクトルの数が少ない、高解像度のMS/MSデータのエンコードの難しさ、複雑なニューラルネットワークと後処理ステップ。
4. Casanovo は、Transformer アーキテクチャ を使用して de novo ペプチド配列決定タスクを機械翻訳問題として再構成し、MS/MS スペクトルの m/z と強度値のペアを使用して予測ペプチド配列を直接出力します。

5. 最新の研究で、Casanovo は次のような改善を行いました:

   • MassIVE-KB スペクトル ライブラリ の 6 億 6,900 万のスペクトルを使用してトレーニング セットを拡張しました。
   • 厳格な FDR 制御により、1% FDR でデータを検索し、一意のプリカーサーごとに 100 PSM のみを保持し、合計 3,000 万の高品質 PSM を保持します。
   • 各 MS/MS スペクトルに最適なペプチドを予測するビーム検索デコーダー。

     

     ## Casanovo: Transformer アーキテクチャを使用した de novo ペプチド シーケンス

図 1: Casanovo は、Transformer アーキテクチャを使用して de novo ペプチド シーケンスを実行します。 (出典: 論文)

Casanovo の優れたパフォーマンスは 2 つの側面に起因しています:

1. 大量の高品質のトレーニング データの保有
2. Transformer アーキテクチャの使用

Transformer アーキテクチャ

Transformer アーキテクチャは可変長の変換に特に適しています。シーケンスの要素はコンテキスト内に配置されるため、自然言語モデリングで大きな成功を収めます。リカレント ニューラル ネットワークと比較して、Transformer アーキテクチャはシーケンス要素間の長距離の依存関係を学習でき、効率的なトレーニングのために並列化できます。

Casanovo のアプリケーション

Casanovo は、Transformer アーキテクチャと大規模な言語モデルの迅速な開発を利用して、質量スペクトル ピークをシーケンスにエンコードし、MS/MS スペクトルの de novo ペプチド シーケンスを改善します。

アプリケーションシナリオ:

• 古プロテオミクス
• 法医学
• 宇宙生物学
• データベースに存在しないペプチドの検出
• 標準的なデータベース検索のポストプロセッサとして

抗体配列決定

カサノボはまだ行っていないまだ抗体配列決定の使用を検討していませんでした。しかし、ドイツの BAM の Denis Beslic のグループによる研究では、抗体配列決定の問題に関して、Casanovo を含む 6 つの新規配列決定ツールの体系的な比較が行われました。

グラフィック: IgG1-Human-HC 上のさまざまな酵素に対する

Novor、pNovo 3、DeepNovo、SMSNet、PointNovo、および Casanovo の全体的な再現率と精度。

関連リンク:
https://academic.oup.com/bib/article/24/1/bbac542/6955273?login=false

結果:

Casanovo는 고려된 모든 측정 항목에서 경쟁 방법보다 훨씬 뛰어납니다. 이 비교에서는 Casanovo의 탐욕스러운 디코딩 버전을 사용했으며 200만 개의 스펙트럼에 대해서만 훈련되었다는 점은 주목할 가치가 있습니다.

평가:

카사노보 팀은 9종에 걸쳐 카사노보를 벤치마킹했습니다. 아래 그래프는 3천만 개의 스펙트럼으로 훈련된 업데이트된 버전의 Casanovo가 더 나은 항체 시퀀싱 성능을 생성한다는 것을 보여줍니다.

그래픽: Casanovo는 9종 벤치마크에서 PointNovo, DeepNovo, Novor와 같은 모델보다 성능이 뛰어납니다. (출처: 논문)

미래에는 특정 응용 분야에 맞게 Casanovo 모델을 미세 조정할 수 있는 많은 기회가 있을 것입니다. 비효소 모델에 대한 연구원의 분석은 Casanovo의 효소 편향이 상대적으로 적은 훈련 데이터를 사용하여 조정될 수 있음을 보여주었습니다.

그래서 팀은 단기적으로 다양한 용해 효소에 작용하는 Casanovo의 변종을 훈련할 계획입니다. Casanovo 소프트웨어를 사용하면 이러한 미세 조정이 쉬워지므로 특정 실험 설정에 모델을 적용하는 데 관심이 있는 사용자라면 누구나 그렇게 할 수 있어야 합니다.

장기적으로 이상적인 모델은 관련 메타데이터(예: 소화 효소, 충돌 에너지, 기기 유형)와 함께 입력 스펙트럼을 사용하여 다양한 유형의 실험 설정을 정확하게 예측합니다.

새로운 시퀀싱 기능을 향상시키는 딥 러닝 방법의 잠재력은 이제 널리 인식되고 있습니다. 이 논문이 검토되는 동안 GraphNovo, PepNet, Denovo-GCN, Spectralis, π-HelixNovo 및 NovoB를 포함하여 최소 6개의 다른 딥 러닝 de novo 시퀀싱 방법이 출판되었습니다. 분명히 이 분야는 성장하는 도구 분야에 대한 포괄적이고 엄격한 벤치마킹을 통해 이익을 얻을 것입니다.

관련하여 이 단계에서 현장의 주요 병목 현상 중 하나는 de novo 시퀀싱에 대한 엄격한 신뢰도 평가 방법이 부족하다는 것입니다.

메타단백질체학 분석에서 연구자들은 Casanovo 예측을 표적 및 해당 미끼 펩타이드 데이터베이스와 일치시켰지만, 이 접근법은 펩타이드를 이국적인 프로필에 할당하는 새로운 시퀀싱 능력을 무시했습니다.

따라서 열린 질문은 Casanovo가 주어진 데이터 종속 획득 데이터 세트에 대해 펩티드를 검출하는 통계적 능력 측면에서 표준 데이터베이스 검색 절차를 능가하는지 여부입니다.

연구원들은 충분히 큰 훈련 세트를 사용한 훈련이 DDA 탠덤 질량 분석 데이터 분석 분야에서 데이터베이스 검색의 지배력을 종식시킬 수 있다고 말합니다.

논문 링크: https://www.nature.com/articles/s41467-024-49731-x

以上がSOTA のパフォーマンス、ワシントン大学が質量スペクトルをペプチド配列に変換するトランスフォーマー モデルを開発、Nature サブジャーナルに掲載の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。