使用 Winnow 进行从头肽测序重打分与 FDR 估计
定量方法
2025-10-01 v2
摘要
机器学习显著推进了基于质谱的蛋白质组学中的从头肽测序（DNS）。DNS 工具提供了一种无需依赖参考数据库即可鉴定肽段的可靠方法，扩展了蛋白质组分析并开启了对蛋白质组未知领域的应用。然而，它们仍面临一个关键局限。DNS 工具缺乏估计错误发现率（FDR）的严格方法，而是依赖于经常校准不当的模型特定置信度分数。这限制了对结果的信任，阻碍了跨模型比较，并降低了验证成功率。在此，我们提出了 Winnow，一个从校准后的 DNS 输出中估计 FDR 的模型无关框架。Winnow 利用基于肽段-质谱匹配（PSM）特征训练的神经网络，将原始模型分数映射为校准后的置信度。基于这些校准后的分数，Winnow 使用一种新颖的无诱饵 FDR 估计器计算 PSM 特异性误差指标和全实验 FDR 估计值。它支持零样本和特定数据集的校准，通过直接推断、微调或训练自定义模型实现灵活应用。我们证明，当应用于 InstaNovo 预测时，Winnow 的校准器提高了固定 FDR 阈值下的召回率，并且在与参考蛋白质组和数据库搜索进行基准测试时，其 FDR 估计器能追踪真实错误率。Winnow 确保了跨数据集的准确 FDR 控制，有助于释放 DNS 的全部潜力。
引用
@article{arxiv.2509.24952,
title = {De novo peptide sequencing rescoring and FDR estimation with Winnow},
author = {Amandla Mabona and Jemma Daniel and Henrik Servais Janssen Knudsen and Rachel Catzel and Kevin Michael Eloff and Erwin M. Schoof and Nicolas Lopez Carranza and Timothy P. Jenkins and Jeroen Van Goey and Konstantinos Kalogeropoulos},
journal= {arXiv preprint arXiv:2509.24952},
year = {2025}
}