核心问题：从头测序的PTM盲区
蛋白质组学中的从头肽段测序（de novo peptide sequencing）是指不依赖任何蛋白质数据库，直接从串联质谱（MS/MS）图谱中推断肽段氨基酸序列。传统数据库搜索（如Mascot、MaxQuant）需要预先指定蛋白质库，无法发现数据库中不存在的蛋白质或非标准修饰。而从头测序虽然理论上不受此限制，但面临一个关键挑战：翻译后修饰（PTM）的开放发现。
现有从头测序方法大多在训练时固定了氨基酸词表（20种标准氨基酸+少数已知修饰），推理时无法识别训练集之外的修饰类型。这意味着如果你训练时没有见过磷酸化（+79.9663 Da），模型在推理时遇到磷酸化肽段就会出错——它会试图用标准氨基酸去"硬凑"一个不存在的质量差。
RNovA的核心创新在于：将PTM发现与从头测序解耦为两个阶段。第一阶段（PathSearcher）只预测"质量路径"——即相邻氨基酸之间的质量差——而不直接输出氨基酸序列。第二阶段（SeqFiller）在第一阶段发现的质量差模式基础上，将未知质量差注释为PTM，并扩展词表进行序列补全。这种设计使得模型可以零样本地发现并注释训练时未见过的PTM。
关键洞察：PTM在质谱中表现为质量偏移（delta mass）。如果你不要求模型直接输出氨基酸，而是输出"质量路径"，那么PTM就只是路径上的一个"异常质量块"——它不需要在训练集中出现过，只需要在聚类后被统计检验识别为显著性模式。
六阶段流水线全景
RNovA的完整流水线由一个Shell脚本RNovA.sh编排，接受三个参数：输入MGF目录、是否使用UniMod注释、Top-K PTM数量。六个阶段严格顺序执行：
整个流水线的设计哲学是"先粗后细，逐步过滤"：PathSearcher给出粗略的质量路径，FDR Stage 1过滤掉低置信度的节点和路径，聚类从多条路径中发现共性PTM模式，SeqFiller用发现的PTM补全氨基酸序列，最后FDR Stage 2在序列层面做最终过滤。
Stage 1：Decoy光谱生成
FDR（False Discovery Rate）估计需要"假数据"作为参照。在蛋白质组学中，这通常通过生成"Decoy光谱"实现——一种保留光谱整体统计特性但打乱生物学信号的人造光谱。RNovA的Decoy生成策略简单而有效：
关键设计决策：
- 40%采样率：保留足够峰以维持光谱的统计特性（如峰密度分布），但丢弃足够多信号使生物学信息被破坏。这个比例是经验调优的结果。
- 全局噪声池：从所有目标光谱中收集峰构建经验分布，确保Decoy峰的m/z和强度分布与真实数据一致，但与特定肽段无关。
- 固定随机种子（99）：确保Decoy可复现，这对于FDR估计的稳定性至关重要——不同运行产生不同Decoy会导致FDR阈值波动。
生成的Decoy MGF文件命名为{original}.decoy_random0.40.mgf，后续每个阶段都会对Target和Decoy分别推理，通过Target-Decoy竞争估计FDR。
Stage 2：PathSearcher推理
PathSearcher是RNovA的第一阶段深度学习模型。它的输入是MS/MS光谱，输出是质量路径（mass path）——一系列前体质量值，表示肽段中相邻残基之间的累积质量差。
与传统的从头测序模型（如DeepNovo、Casanovo）不同，PathSearcher不直接预测氨基酸，而是预测"节点"（node）：每个节点对应一个质量位置，附带一个置信度分数。一条完整的路径形如：
其中node_mass是累积质量（前缀质量），node_score是模型对每个节点的置信度。相邻节点质量差即为一个残基或修饰的质量。PathSearcher同时对Target和Decoy光谱进行推理，输出结构完全相同，供下一阶段FDR估计使用。
这种"质量路径"表示的关键优势是修饰无关性：无论一个位置是标准氨基酸还是带修饰的氨基酸，PathSearcher只需要正确预测质量位置，不需要知道具体是什么残基。PTM的识别被推迟到后续的聚类和注释阶段。
Stage 3：Node/Path双层FDR过滤
FDR Stage 1是RNovA质量控制的第一个关卡，采用Target-Decoy Competition（TDC）策略在两个层级进行过滤：
3.1 Node级FDR
对每个光谱，比较Target和Decoy路径的逐节点分数。分数更高的一方"获胜"，败者被丢弃。所有获胜的节点分数被全局排序，通过二分搜索找到使FDR=1%的分数阈值：
3.2 Path级FDR
Node级过滤后，对每条路径计算"过滤后路径分数"——只累加高于Node阈值的节点分数。再次进行Target-Decoy竞争和二分搜索，找到Path级1% FDR阈值。只有同时通过两个阈值的路径才会被保留：
这种双层过滤的设计理念是：Node级FDR过滤掉低置信度的单个节点，Path级FDR过滤掉整体质量不高的路径。一个路径可能包含几个高置信度节点，但如果大多数节点都很差，整条路径仍然不可信。
Stage 4：聚类与PTM发现
这是RNovA最核心的创新阶段，由workflow.py实现，包含三个子步骤：CD-HIT聚类→MSA填充→PTM发现。
4.1 CD-HIT风格聚类与统计显著性
通过FDR Stage 1的路径被转换为"质量差序列"（相邻节点质量差），然后进行聚类。聚类的目的是找到共享相同PTM模式的肽段群体——如果多条肽段在相同位置都有相似的质量偏移，这个偏移很可能是一个真实的PTM而非随机噪声。
RNovA使用CD-HIT风格的贪心聚类：按序列长度降序排列，每条序列与已有聚类代表（representative）进行比对，如果比对分数统计显著（p ≤ 1e-4）则归入该聚类，否则创建新聚类。
统计显著性检验的关键是零分布（null distribution）的构建。RNovA不假设比对分数服从某个解析分布，而是通过N-gram重采样从真实数据中构建经验零分布：
N-gram重采样的精妙之处在于：合成序列保留了真实数据的局部质量模式（因为n-gram来自真实序列），但全局序列结构被打乱（因为n-gram是随机拼接的）。这产生了一个合理的零假设：如果两条真实序列的比对分数在这个零分布中极不可能出现（p ≤ 1e-4），那么它们的相似性不太可能由随机导致。
比对核心是Mass-Tag Aware Needleman-Wunsch算法（nw_masstag_numba），使用Numba JIT加速。与标准NW不同，它不逐字符匹配，而是允许质量块匹配——一段连续的残基可以被当作一个"块"与另一段的"块"比较，只要总质量差在容差范围内（0.02 Da）。这使得比对可以容忍插入/缺失和修饰：
4.2 MSA与Gap填充
聚类完成后，对每个聚类内的序列进行多重序列比对（MSA）。以聚类代表（center）为参考，用Token级NW将所有序列对齐到同一坐标系，然后通过共识投票确定每个位置的共识氨基酸：
填充过程将"质量-only"的tag（即只知道质量不知道氨基酸的位置）转换为AA(+delta)格式——例如K[42.0106]表示赖氨酸上有一个+42.01 Da的修饰。这个delta mass就是PTM候选。
4.3 PTM发现与注释
从所有填充后的序列中提取PTM候选，统计频率，然后通过DBSCAN一维聚类（eps=0.02 Da）合并质量相近的PTM，最终输出Top-K PTM：
如果启用了UniMod注释（--use-unimod），还会查询UniMod数据库将delta mass映射到已知修饰名称，如K|UniMod:1（乙酰化）。输出的Top-K PTM字符串直接传递给SeqFiller作为扩展词表。
Stage 5：SeqFiller序列补全
SeqFiller是RNovA的第二阶段深度学习模型。它的输入是原始MS/MS光谱加上Stage 4发现的Top-K PTM作为扩展词表。词表格式为分号分隔的氨基酸和PTM：
SeqFiller的任务是将PathSearcher输出的"质量路径"补全为完整的氨基酸序列。它利用PathSearcher已经确定的质量位置作为约束，在每个位置从扩展词表中选择最可能的氨基酸或修饰氨基酸。这种两阶段设计使得SeqFiller可以识别训练时未见过的PTM——只要Stage 4发现了该PTM的质量模式，它就会被加入词表供SeqFiller使用。
SeqFiller同样对Target和Decoy光谱分别推理，输出格式为：
注意序列中的空格分隔——每个token是一个氨基酸或修饰氨基酸，分数是模型对每个token的置信度。
Stage 6：Sequence级FDR与路径合并
FDR Stage 2是最终的质量控制关卡，结构与Stage 1类似但在氨基酸级别和序列级别进行双层FDR过滤，并额外执行路径合并——将SeqFiller的序列输出与PathSearcher的节点质量对齐合并：
6.1 双层FDR
与Stage 1相同，先在氨基酸级别（每个token的分数）进行Target-Decoy竞争和1% FDR阈值搜索，再在序列级别（token分数之和）进行第二次过滤。不同之处在于分数中可能包含-inf（表示模型对该token无预测），需要过滤：
6.2 路径合并
这是Stage 6独有的步骤。SeqFiller输出的序列是氨基酸级别的，而PathSearcher输出的节点是质量级别的。合并的目的是用PathSearcher的高置信度节点来验证SeqFiller的序列：
合并后，每个序列被分成多个"块"（block），每个块对应PathSearcher的一个高置信度节点。如果一个块的SeqFiller分数低于AA级FDR阈值，该块会被替换为质量-only表示（只保留总质量，不指定氨基酸），表示"这段序列我们不自信，只知道它的质量"。最终输出中，高置信度块以氨基酸序列呈现，低置信度块以质量值呈现，形成一种部分解析的肽段序列。
关键工程决策
9.1 为什么用N-gram零分布而非解析分布？
传统的统计检验假设数据服从某个已知分布（如正态分布），然后计算p值。但质谱质量差序列的比对分数没有已知的解析分布——它取决于氨基酸组成、修饰类型、仪器分辨率等多种因素。N-gram重采样从数据本身构建零分布，不依赖任何分布假设，更加稳健。
9.2 为什么用Numba而非多进程？
聚类阶段需要数万次NW比对，是计算瓶颈。RNovA选择用Numba JIT编译而非Python多进程，原因是：
- NW比对的内存访问模式是密集的DP矩阵填充，Numba的CPU缓存友好性远优于进程间通信
prange并行在Numba内部自动处理，避免了GIL和进程开销- 零分布构建中的50,000次采样可以用Numba批量加速
9.3 为什么DBSCAN聚类PTM而不是固定质量窗口？
不同PTM的delta mass精度不同（如氧化+15.995 vs 磷酸化+79.966），固定窗口可能导致过度合并或遗漏。DBSCAN基于密度自动发现聚类，eps=0.02 Da的容差与质谱仪器的质量精度一致，既不会过度合并不同修饰，也不会将同一修饰的测量噪声分成多类。
9.4 为什么40% Decoy采样率？
采样率过高（如80%），Decoy与Target太相似，FDR估计偏保守（低估真实FDR）；采样率过低（如20%），Decoy信号太弱，Target-Decoy竞争失去区分力。40%是一个经验平衡点——保留足够峰维持光谱统计特性，同时破坏足够信号使Decoy不含真实的肽段信息。
局限与展望
- PathSearcher依赖：如果PathSearcher在某个质量区域系统性出错，后续阶段无法纠正——聚类和SeqFiller都基于PathSearcher的输出。
- 聚类敏感性：CD-HIT是贪心算法，结果依赖于序列处理顺序。不同的输入顺序可能产生不同的聚类结构，影响PTM发现。
- Top-K限制：只传递Top-K PTM给SeqFiller，如果真实样本中有超过K种修饰，低频PTM会被丢弃。
- 零分布计算成本：50,000次/长度的N-gram采样在长序列情况下计算量较大，可能需要GPU加速或更高效的采样策略。
- 单电荷假设：Decoy生成中前体质量计算假设单电荷，可能对多电荷光谱产生偏差。
未来方向可能包括：(1) 端到端联合训练PathSearcher和SeqFiller；(2) 用Transformer替代CD-HIT聚类；(3) 引入迁移学习从其他蛋白质组学数据预训练零分布；(4) 支持未知修饰的从头质量注释（不依赖UniMod）。
项目信息
本文基于 RNovA 代码库的技术分析，旨在为蛋白质组学研究者和AI开发者提供系统级理解。RNovA 展示了将深度学习与传统统计方法（Target-Decoy FDR、经验零分布、CD-HIT聚类）结合的优雅设计——在保持严格质控的同时实现零样本PTM发现。