2025蛋白質組學大會之聚焦計算與人工智能蛋白質組學

　　2025年10月14日上午，計算與人工智能蛋白質組學（Computational and AI Proteomics）專題分論壇順利召開。本場會議由本領域學者謝鷺教授、溫翰教授、遲浩教授、曾文鋒教授、Yasset Perez-Riverol教授共同召集和組織。來自海內外的多位知名學者圍繞該領域的前沿進展，分享了最新的研究成果與應用實踐，展示了計算方法與人工智能技術在蛋白質組學研究中的廣闊前景。

分會報告

Prof. Wilson Wen Bin Goh

Nanyang Technological University, Singapore

Harnessing AI-Driven Proteome Analytics to Transform Mental Health Management: A Singapore Perspective

　　Goh教授介紹了蛋白質組學研究的最新進展及其與人工智能結合在心理健康領域的應用。他指出，在高通量實驗中，蛋白質譜清單對于深入理解個體生物學特征具有重要意義，并闡述了人工智能在提高譜圖質量、優化數據處理流程及擴大檢測覆蓋范圍等方面的關鍵作用。此外，Goh教授探討了精神健康問題的普遍性與早期干預的必要性，并分享了基于多組學數據的隊列研究。該研究通過整合多層次生物信息構建預測模型，旨在實現精神健康問題的早期識別與干預，為精神疾病的精準預防與治療提供新的研究思路。

Prof. Yasset Perez-Riverol

European Bioinformatics Institute, UK

Quantms: A Hub for high-quality proteomics data to power AI development

　　Perez-Riverol教授的報告聚焦于人工智能在生物數據處理與分析中的應用及其面臨的主要挑戰。首先，他闡述了數據量、元數據、基準測試、數據質量與格式規范在生物信息學研究中的關鍵作用，并指出數據生成算法與分析工具的可持續性對于結果的可重復性具有重要意義。報告特別強調了元數據管理的復雜性，尤其是在不同儀器和實驗來源下實現數據注釋一致性與準確性方面的困難。隨后，Perez-Riverol教授指出，隨著公共質譜數據的快速增長，傳統計算模式難以滿足大規模、自動化重分析的需求。針對這一問題，他介紹了Quantms平臺，一個基于Nextflow/nf-core框架開發的開源云端分析工作流。Quantms遵循FAIR原則，支持三種主要實驗類型（DDA-LFQ、TMT/DDA-plex、DIA-LFQ），可在云計算或高性能集群環境下并行運行，自動完成從原始數據處理到蛋白定量結果生成的全流程分析與標準化輸出。

Prof. Shin Kawano

Kitasato University, Japan

jPOST and JPDM: Attempts to Collect Metadata

　　Kawano教授介紹了jPOST環境（Japan Proteome Standard Repository/Database）在促進公共蛋白質質譜數據再利用與重分析方面的最新進展。該平臺包括jPOSTrepo（原始質譜數據倉庫）與jPOSTdb（基于統一流程的重分析數據庫），采用統一協議及UniScore評分體系實現MS數據的標準化再分析。由于元數據不足限制了數據再利用，日本蛋白質組學學會創辦了Journal of Proteome Data and Methods (JPDM)，發表包含詳細元數據描述的文章，并與jPOST平臺建立互聯機制，實現基于標準化Excel文件的自動重分析。截至2024年，jPOSTrepo已收錄2800余個項目、超過100TB數據，覆蓋全球50多個國家。該體系顯著提升了數據的可重用性與分析可重復性，為FAIR原則和開放科學在蛋白質組學領域的落地提供了有效范例。

Prof. Mingliang Ye

Dalian Institute of Chemical Physics, Chinese Academy of Sciences, China

Glyco-Decipher and PELSA-Decipher Facilitate Proteome-Wide Identification of Site -Specific Glycoforms and Ligand-Target Proteins

　　Ye 教授介紹了團隊在蛋白質組學數據解析軟件開發方面的最新進展。首先，他介紹了Glyco-Decipher軟件，該工具可用于高靈敏度解析N-糖肽質譜譜圖。在分析過程中，Glyco-Decipher不依賴糖庫信息，而是利用不同糖肽共享肽段骨架碎裂規律的特征，建立了基于模式識別的肽段序列鑒定方法。該策略顯著提升了完整糖肽的鑒定靈敏度，并可識別未知糖鏈及其修飾，為位點特異性糖型解析和糖基化功能研究提供了有力工具。隨后，Ye教授介紹了配套開發的PELSA-Decipher軟件。該軟件實現了從肽段定量差異分析、蛋白質局部穩定性解析到濃度依賴性分析的全流程數據處理。通過整合UniProt蛋白結構域信息，PELSA-Decipher可直觀展示局部穩定性變化區域，支持用戶自定義目標區域分析與可視化結果輸出。

Prof. Cheng Chang

National Center for Protein Sciences (Beijing), China

A Foundation Model for Decoding Dark Proteome through Self-Supervised Learning

　　Chang教授介紹了基于人工智能大模型在“暗蛋白質組（dark proteome）”研究中的最新進展。暗蛋白質組指傳統質譜技術難以檢測或注釋的蛋白及肽段，包括基因變異產生的蛋白變體、非典型轉錄翻譯產物、微型蛋白和未知修飾蛋白等。盡管全球已有PRIDE、iProX等大型質譜數據庫積累了海量原始數據，但相關資源尚未得到充分利用。為此，Chang教授團隊構建了π-MSNet，一個覆蓋53個物種、可持續更新的蛋白質組學數據庫，為人工智能預訓練模型提供了大規模基礎數據支持。基于此，團隊開發了自監督學習模型π-SPECFormer，通過雙階段預訓練實現質譜嵌入學習、de novo序列解析及翻譯后修飾識別。模型在癌癥隊列中的應用表明，π-SPECFormer 能高效解析突變肽段的“暗蛋白質組”，展示了預訓練模型在質譜數據解析中的顯著潛力，為疾病標志物發現和精準蛋白質組學研究提供了新思路與技術框架。

Prof. Wenfeng Zeng

Westlake University, China

FennOmix-MHC: A Foundation Model for Peptide–HLA Representation Learning and Shared Epitope Discovery

　　Zeng教授的報告圍繞FennOmix-MHC基礎模型展開，探討其在肽段-MHC結合表征學習及表位預測中的應用。報告指出，T細胞治療的核心在于識別疾病特異性抗原，而這些抗原通常由MHC/HLA分子呈遞的肽段介導。然而，當前基于基因組學和AI的抗原預測方法存在高假陽性率，難以有效識別真實呈遞的肽段。為解決這一問題，曾教授的團隊開發了FennOmix-MHC，一種基于對比學習（con的預訓練模型，用于實現肽段與MHC等位基因間的高效表征學習。FennOmix-MHC為表位發現及免疫治療靶點篩選提供了高效、可擴展的新思路，顯著降低了假陽性率，并有助于發現跨個體、跨疾病的共享抗原表位，為精準免疫治療和疫苗設計奠定了數據與模型基礎。

Prof. Jianhui Liu

Dalian Institute of Chemical Physics, Chinese Academy of Sciences, China

Microbial Resource Mining Based on Computational Proteomics

　　Liu教授介紹了基于計算蛋白質組學的微生物資源挖掘研究進展，重點闡述了宏蛋白質組學（metaproteomics）在微生物群落功能解析與資源開發中的作用。宏蛋白質組學可結合宏基因組與宏轉錄組數據，從蛋白水平揭示微生物群落的時空動態特征，在疾病管理、農業生產及環境治理等領域具有重要應用價值。報告指出，宏蛋白質組學研究面臨低覆蓋率、低注釋率及定量重復性差等挑戰，尤其存在大量序列與功能未知的“暗蛋白”。為此，劉教授團隊開發了基于數據非依賴采集（DIA）的定量方法MetaSpaR-DIA，MetaSpaR-DIA在肽段鑒定準確率、定量一致性及物種注釋深度方面均優于傳統方法。

Prof. Yongge Li

DP Technology, Beijing, China

Dynamical Foundation Models for Biology: A Neural ODE Case Study on Proteomics

　　Li研究員圍繞動態生物基礎模型（Dynamical Foundation Models）的發展展開，探討了如何通過人工智能與組學數據融合推動生物系統建模的可解釋性與預測能力。回顧了當前組學基礎模型，如Geneformer與GeneCompass，在單細胞轉錄組數據中捕獲基因表達模式的能力。然而，現有模型大多停留于相關性層面，難以刻畫擾動后的動態變化與因果關系。接著，Li研究員介紹了擾動感知基礎模型（Perturbation-aware Foundation Model）與GraphOmicsODE框架，結合圖神經網絡與神經微分方程，實現了多組學數據下生物過程的時序建模。此外，Li研究員介紹了ProteinTalks平臺，利用大規模擾動蛋白質組數據，實現藥物反應預測與動態蛋白表達模擬。這些研究推動了從相關到因果、從轉錄組到蛋白質組、從靜態到動態的模型演進，為精準醫學與藥物機制研究提供了新范式。