Matthias Mann综述文章精读：人工智能如何用于蛋白质组学和生物标志物的新发现

原创概率集合 omicsolution

题目：人工智能如何用于蛋白质组学和生物标志物的新发现

期刊：Cell Systems

发表日期：2021-0818

DOIs：https://doi.org/10.1016/j.cels.2021.06.006

一、摘要

生物医学现在越来越被大规模的数据所主导，分析和理解这些数据的计算能力也在同步扩大。多组学整合以及通过人工智能技术进行数据解释已经成为趋势。这一篇综述，Matthias Mann教授基于质谱（MS）的蛋白质组学，描述了机器学习，特别是深度学习的蛋白质谱应用。

Matthias Mann教授认为，在多维数据环境下，实验结果应该与预测结果一致。机器学习也已成为从蛋白质组学数据中发现生物标志物的核心，现在它开始超越现有的同类最佳检测方法。这篇综述最后还讨论了在临床环境中，应该如何部署基于MS的生物标记物所需的模型。如果你希望提高分析工作流程的质量和可靠性，或者你主要关注人工智能，那么一定不要错过他的这篇综述。

接下来我以Matthias Mann教授的口吻来为你转述他的这篇论文。

二、简介

不知你有没有这个感受：生物医学现在越来越被大规模的数据所主导。在深度测序实验中动辄数十亿的测序序列就是一个例子。处理这些数据最初是一个巨大的挑战。

以前，结果可以在一些电子表格，敲敲几个键盘就能进行总结，但今天不行了。每个项目都产生了许多千兆字节的数据，电子表格吃不消，就需要以最佳方式进行处理和解释。算法方面取得了稳步进展的同时，人工智能（AI）现在也增加了新视角。

如果你刚好对基于质谱的蛋白质组学或人工智能感兴趣，那么今天这个内容很适合你。我先对人工智能做个铺垫，然后再给你介绍基于质谱的蛋白质组学，这对你会有帮助。

先看人工智能。在概念上，人工智能和经典的统计学相比有很大的不同。不仅在于它所处理的数据量，而且在于对基础分布和模型的假设较少，如线性和正态性，而这些假设被大型数据集和计算能力所取代。

提到人工智能，你一定听说过深度学习。深度学习（DL）是机器学习（ML）的一个子集，它本身就是人工智能的一个分支，正在重塑社会的大部分认识。

机器学习（ML）是通过计算的手段从数据里面产生模型，有了模型就能在面对新情况时提供相应的判断。深度学习属于机器学习方法中的一种，其结构框架往往类比人类大脑，由大量神经元构成多层结构，它为各种人工智能任务实现了前所未有的准确性，比如图像识别。在某种意义上，这些网络通过学习复杂的特征和数据的''嵌入''比ML更进一步。

他们之间啥区别？举例来说，虽然经典的ML算法可以学习根据测量的特征（如萼片和花瓣的长度和宽度）来区分花朵，但DL会在接触到不同类别的花朵图像时自己推导出这些特征。

现在你已经对人工智能有了大概的了解。接下来我来说说我的领域。质谱(massspectrometry)是当前蛋白质组学研究中的核心技术，质谱已经有一个多世纪的历史，但一直在急剧发展。

什么是蛋白质组？在特定的细胞状态下表达的全部蛋白质。蛋白质代表了基因表达的终点，它们是细胞的主要功能成分，提供结构支持、酶的机制，甚至首先控制来自DNA和RNA的基因表达。此外，大多数生物标志物和药物目标都是蛋白质。然而，尽管有质谱技术的力量，蛋白质组的极端复杂性，不能被放大（不像核酸可以PCR扩增）的事实，给分析带来了巨大的挑战。

近年来，得益于计算机硬件及深度学习算法飞速发展，生物医药领域已经有大量的使用深度学习的实例出现．深度学习相比传统的机器学习方法，可包含众多隐藏层及非线性变换，能更有效地解读质谱及蛋白质组学数据中复杂的关系，具有比传统机器学习方法更有效的数据解读能力。

人工智能现在已经在广泛的应用中取得了突破性进展，尽管进步带来的并不是十全十美（图1）。

图1.统计模型通常允许直接解释特征和模型。通过机器学习，人们可以利用许多特征的相互作用，并有可能提高模型的性能，然而往往是以可解释性为代价的。DL有助于发现以前未知的特征，但可解释性不那么好。

随着人工智能的能力越来越被学者接受，有必要牢记它们的一些潜在陷阱，比如过拟合。

当训练数据被 "过度学习"时，就会出现过拟合的情况：模型会记住训练数据，而不会将其推广到新的和以前未见过的数据。

例如，如果一个模型只被训练来寻找一个临床队列中的生物标志物，它可能会学到该队列特有的病例和对照之间的虚假差异，而这些差异可能与疾病无关，在另一个人群中也有很大不同。

怎么办？当务之急是将人工智能，与具有明确概率的经典统计模型相区别。有没有现成的方法呢？有。

比如训练和评估数据集的分离。最简单的模式是构建线性或贝叶斯模型，使用尽可能多的训练和测试数据，然后对训练数据进行严格的交叉验证，对模型未见过的数据进行评估。

简单模型的优点是它们可以直观地相互预示，如回归模型，其权重只是描述参数化曲线的系数。而DL模型则不然，它通常由成千上万的节点组成，因此失去了可解释性，在实践中常常被当作一个黑盒子。遇到边缘案例，以及当病人的治疗决策由这类模型参与的时候，就会涉及伦理和法律问题。

但是，这些问题并不是生物医学所独有的，目前有很多研究正在进行如何在统计学和可解释的框架内采用DL模型。

三、基于质谱的蛋白质组学工作流程中的AI

总的来说，尽管数据的分辨率和准确性、灵敏度和整体性能都有了数量级的提高，但在过去20年里，蛋白质组学的工作流程仍然相对稳定（Aebersold and Mann, 2003, 2016）。

我们来回忆一下这个会发生什么：

原蛋白被酶解成肽，用色谱分离，用电喷雾（ES）电离，对洗脱的肽进行质量测量和碎片化。实验的总体目的是识别和量化尽可能多的洗脱肽。此外，数据的完整性也很重要--特别是对于ML应用。在蛋白质组覆盖深度（捕获表达的蛋白质组的百分比）、速度、稳健性和定量准确性之间，有多种采集方案的不同考量：

化学标记方法对来自不同实验状态的肽进行同位素编码，并使用 "报告离子 "的模式对它们进行量化。相比之下，"无标签定量 "直接使用肽或其片段的质谱信号。在这些方法中，越来越流行的数据独立采集（DIA）方法在质量范围内反复循环，以生成洗脱时间的片段图，然后与库匹配。

图2.基于人工智能（AI）的MS的蛋白质组学工作流程：每个液滴代表蛋白质组学工作流程的一个步骤。这包括蛋白质消化、液相色谱分离、电离、离子迁移率分离、MS1检测、肽段破碎、MS2检测、以及蛋白质鉴定和定量。蛋白质组学的一般机器学习（ML）应用开始于2000年，主要集中在保留时间预测、MS2预测和肽的鉴定。而深度学习（DL）在2017年进入舞台，现在它已经被用于蛋白质组学工作流程的几乎所有步骤。采用ML/DL方法的代表性刊物被列在各个步骤的矩形框内（赤土色为ML；蓝色为DL）。

如图2所示，人工智能已经被应用于基于MS的蛋白质组学的几乎所有步骤。在过去的十年中，研究人员经常采用传统的ML方法（通常是支持向量机、随机森林和梯度提升）进行肽的识别、保留时间预测，以及MS/MS的标本预测。

DL的突破发生在2017年，举一个例子，pDeep 算法。人们发现某个位置上的氨基酸的身份不仅影响到它旁边的位置，而且也影响到那些远处的位置，这使得片段谱系的预测在经典的计算手段中难以实现。深度神经网络，特别是递归神经网络（RNN），可以自然地捕捉到长期的顺序依赖性，就像它们在分析文本和语音序列时那样。这是由于在 RNN中，上一隐藏层的信息可有效传递至下一隐藏层，从而更好地利用了质谱数据中质荷比的前后相关性．

基于此，Zhou开发了 pDeep 算法，pDeep 可以实现对 3 种碎裂方式进行谱图预测，并且结果中平均皮尔森相关系数大于 0.9，证明了方法的稳定可靠，另外，这一策略也发现，神经网络中间层得到的信息可以揭示肽段的一些理化性质，可以从一个侧面理解肽段理化性质对于肽段二级碎裂具有影响．另外，此策略对于质量数相近的氨基酸组成，例如 GG 与 N、AG 与 Q、甚至 I 与 L 等这些在普通数据检索策略中无法区分的情况都可以实现有效判别。pDeep 的成功构建说明使用深度学习（DL）方法对理论肽段序列进行二级谱图预测具有广阔的应用前景。

在Prosit软件中，在不同碰撞能量下系统获得的碎片数据上训练了DL模型，2019在与谷歌的学术合作中，称为DeepMass:Prism，来自不同来源的数千万光谱被训练和评估。基于DL的预测工具稳定地达到了0.97到0.99的中位Pearson R值，远远高于基于ML的方法（Xu等人，2020）。尽管这些模型都还没有被整合到流行的肽搜索引擎中，但它们的力量已经在基于实验和预测光谱之间的相似性对肽命中进行重新评分方面变得明显。有趣的是，DL现在可以预测完整的MS/MS光谱，而不仅仅是骨干片段的强度，使用 "端到端 "的学习--这是经典的ML技术无法达到。一旦预测模型成为常规工作流程的一部分，相信识别率，特别是在具有挑战性的情况下，将大幅提高，从而获得更全面、更可靠的结果。

也许你听说过蛋白修饰。蛋白质的翻译后修饰（PTMs）的检测和量化非常重要，因为它们经常作为活性开关、定位信号、降解制造者和许多其他动态功能。分析这些带有PTM的肽具有挑战性，因为有许多异构体，它们的碎片光谱可能不遵循氨基酸之间断裂的简单规则，使得PTM位点的定位比使用质量和强度的肽序列鉴定更困难；同样地，人体含有许多具有信号功能的生物活性肽。这些不遵循胰蛋白酶裂解规则，因为它们是内源性产生的，再次使它们变得复杂，导致识别率低。我们预测人工智能对这些多肽和提交给免疫系统的多肽--MHC I类和II类多肽将特别有益。在这些情况下使用DL模型时，识别率可以提高几倍。

什么是DL的养料？DL通常需要大型数据集，因为需要 "学习 "大量的参数。由于DL网络的每一层都会学习物体的不同特征，如图像中的边缘，它们可以被转移到相关的环境中使用。这通常被称为迁移学习，能够重复使用以前训练的模型，而不需要很多训练样本。在蛋白质组学中，这种强大的策略最近被证明可以将磷酸化和其他修饰的肽的光谱预测提高30%到60%，罕见修饰的大规模数据集很少，所以这一个突破会有用。而且预测可以根据不同的质谱仪和设置进行调整，只需几百张光谱和不同片段模式的光谱预测。

迁移学习在蛋白质组学的许多情况下将是非常有用的，可以缓解对大型数据集的规定，甚至为专门的应用领域带来准确的模型。比如，在光谱库搜索中，DIA数据分析所需的关键参数之一是预测色谱分离中的保留时间，DL在这方面也非常成功。除了反相液相色谱、离子交换和亲水性之外，保留时间也可以直接或通过迁移学习来建模。在DIA中，对MS/MS光谱与保留时间的预测开始优于实验光谱库搜索。这种预测的保留时间最近被用来对全球范围内的目标肽进行MS/MS分析，这些肽来自于以前没有实验结果的标本。这也强调了将DL与实时、智能数据采集相结合的巨大潜力。

此外，DL促进了多肽鉴定的新方法。DeepNovo利用DL中常见的图像标题技术来解决新肽测序问题，即在没有数据库帮助的情况下，从其MS/MS光谱中对肽进行测序，并证明与一些现有的新测序工具相比，有5%-20%的改进。

DIA-NN程序使用深度神经网络组合来提高DIA片段模式与实验性或硅学衍生的谱线匹配的灵敏度。与其他广泛使用的工具相比，DIA-NN可以识别更多的肽，特别是在短梯度LC-MS数据中。在所有这些应用中，需要牢记前面提到的过度拟合的挑战。在蛋白质组学中还有很多基于DL的应用，如离子移动质谱仪的碰撞截面（CCS）预测。

如上面的图2所示，在蛋白质组学工作流程中，ML或DL仍有一些开放性问题。一个核心问题是预测具有特定序列的肽的MS1信号。这个信号强度不仅取决于蛋白质的初始拷贝数，还取决于肽的消化概率，ES中肽的电离倾向，离子传输过程中的离子损失，以及离子检测概率。预测这些过程将基于质谱的蛋白质组学中获得的相对强度转换为绝对强度。

然而，对这些步骤进行建模是非常困难的，尤其是后三个步骤，因为在肽被注入色谱柱和它们所产生的检测器信号之后，没有任何中间信息。

四、蛋白质组学数据整合中的AI

蛋白质组学并不局限于精确测量生物系统中存在的蛋白质和蛋白质形态的表达。（图3，中心部分）。例如，蛋白质被诱饵拉下来，诱饵可以是感兴趣的蛋白质或小分子药物。在系统范围内这样做会产生一个相互作用的网络，其扰动可以被研究。

同样，细胞蛋白质组可以通过离心分离，例如，随后对馏分进行基于MS的蛋白质组学研究，这将产生关于细胞器官的地图。最后，许多蛋白质的活性状态、定位和更替是由PTMs调节的。在过去的二十年里，基于质谱的蛋白质组学改变了游戏规则，让人们看到了这些PTMs及其调控的复杂性。

除了蛋白质组学本身的不同维度，蛋白质组学数据还需要与同一项目中的其他类型数据或临床数据进行整合。与基因组学相比，ML和DL技术在下游代谢组学、脂质组学和蛋白质组学数据分析中的应用一般仍处于起步阶段，最广泛地应用于数据预处理步骤。

这可能是哪些原因呢？这可能是因为样本量低，缺乏可解释性，以及普遍缺乏足够的参考、训练和验证数据。

使用脂质组学数据集的概念验证ML应用已经出现，例如预测T2D状态，以及从使用干血点的脂质谱数据预测临床脂质浓度。在多组学中，非常不同的数据集需要被整合--可能跨越基因组学、表观基因组学、蛋白质组学和脂质组学的omics层次（图3的顶部）。

一个长期存在的问题是，转录组水平的变化在多大程度上预测了蛋白质组的变化？刚好有人做了研究。正如可以预期的那样，从mRNA水平的基因表达到翻译成蛋白质之间的复杂调节步骤，以及复杂的、受调节的蛋白质降解过程，转录本和它所产生的蛋白质之间远非一对一的对应。

最近，Julio Saez-Rodriguez和他的同事通过NCI-CPTAC DREAM蛋白质基因组挑战，利用众包来预测来自DNA和RNA数据的（磷酸）蛋白质。采用了一系列的ML技术，包括基于树和集合的模型，但预测性能低于基线方法，在某些情况下甚至接近随机性能。因此，作者得出结论，必须测量蛋白质组，而不是依赖转录组或拷贝数当替身。

图3.基于ML和DL的多层次生物医学数据整合基于MS的蛋白质组学在全蛋白质组调查中的主要应用（中间部分）--表达作为生物扰动的功能，识别和量化不同的翻译后修饰，蛋白质相互作用图，以及空间或器官蛋白质组学。在全蛋白质组研究中获得的数据可以与补充性的全能数据集整合，包括基因组学、表观基因组学、转录组学、代谢组学和脂质组学（上栏）。通过包括现有的生物医学文献和数据库，利用本体论，例如针对特定疾病或细胞系统的本体论，可以进一步解释全向性数据整合的结果（左侧子面板）。对于临床全向性调查，进一步整合成像、电子健康记录和临床实验室测试（右侧子面板）可以进一步加强结果和生物洞察（底部）。

Omics数据集可以与经典的实验室测试和来自不同平台的成像数据集（MRI/CT扫描，IHCs）相辅相成，为疾病的病理生理和预后以及疾病风险提供新的生物学见解。与病人医疗记录（EHRs）的进一步整合可以帮助对病人进行分层，阐明临床风险，从而实现精准医疗（图3，右）。

任何一项研究产生的结果也需要根据已知的情况进行相互比较。生物医学文献有增无减，数据储存库不断扩大，大量的人类生物学和疾病注释以数据库或知识库的形式出现。这种资源往往没有得到充分的开发，因为它对个人研究者来说是压倒性的，这为ML和DL技术提供了明显的机会。

例如，文本挖掘长期以来一直被用来通过跟踪提炼实体之间的关系，但是这一领域显然已经成熟，可以应用最近在文本挖掘方面的DL突破。对生物学的整体理解需要一种综合的方法，将所有这些不同的数据类型（全息、成像、化学、保健等）结合起来，并发现相关实体的复杂相互关系，这些不同的数据集和数据库可以通过利用本体作为语义框架来进一步整合。

丰富的生物医学数据正被复杂的ML、DL和NLP方法所利用，以得出各种实体（基因、蛋白质、疾病、路径等）之间的相互联系，以知识图的形式产生生物和临床见解（。知识图谱使用图谱数据结构（或数据库）直接以实体（图谱的节点）之间的连接（注释到大图谱中的边）形式存储数据，在蛋白质组学知识图谱中，MS数据和蛋白质是节点。在我们小组，我们开发了 "临床知识图谱"（CKG），它目前包含数百万个蛋白质节点和它们之间超过1亿个连接，并且已经被用于整合生命王国蛋白质组项目的背景知识。随着在图结构之上应用ML和DL方法的发展，关注它们在组学知识图谱中的应用将是非常有趣的。

五、基于AI的生物标志物发现

诊断性实验室测试是现代医学的基石，应用于检测疾病的风险或发病。大多数的临床决定都是基于这种测试，但现有的生物标志物往往不是很特异或敏感，而且大多数疾病都没有生物标志物（ICD：https://www.who.int/standards/classifications/classification-of-diseases）。

细胞、DNA或小分子都可以通过实验室检测进行分析，但蛋白质是检测数量和频率最高的一类，反映了它们在医学中的核心作用。这些事实也表明新的基于蛋白质的生物标志物在医学中的巨大潜力。此外，临床检测大多是针对单一目标，以酶法检测或免疫检测的形式进行。

基于质谱的蛋白质组学的一个理由是，它可以同时测量大量的蛋白质，并具有更高的特异性。然而，由于技术和概念上的限制，这一承诺现在才开始实现。

有个细节不知道你是否了解。在生物标志物的发现中，蛋白质的准确定量也许比识别尽可能多的蛋白质更重要。为了满足对新的和更好的生物标志物的迫切需要，必须招募临床队列，参与者必须被仔细评估或标记 "表型"，并且样本必须被归档到生物库中（图4A）。

图4.ML支持的蛋白质组学生物标志物发现（A）匹配的实验队列的病例（蓝色）和对照（灰色）。临床样本通常是组织（难以获得）、组织活检如针头活检（更容易）和体液如脑脊液（CZE），以及非常容易获得的尿液和血浆/血清样本（左图）。在 "矩形战略 "中，发现和验证队列都被测量到常规可能的最大深度（右图）。(B）火山图描述了异常值（病例和对照组之间明显不同的蛋白质）和这些潜在生物标志物之一在疾病过程中的时间进程。(C) 蛋白质相关图，总结了患者和病情中蛋白质的所有相关性。蛋白质聚集成信息组，其中也包含临床参数，如实验室值。(D) ML-通常是集合决策树-选择几个潜在的生物标志物和决策边界（左）。模型的性能在模型以前未见过的数据上被评估。(E) 基于MS的临床蛋白质组学的一个长期目标是根据蛋白质组学测试、先前开发的ML模型和其他相关信息为医生和病人提供决策支持。

目前蛋白质生物标志物的发现多基于实验组与对照组之间的蛋白质丰度差异，呈现出两种策略：经典的生物标志物发现策略可分为蛋白质生物标志物发现、确认和验证三个阶段，由于其各阶段所需的样本数目及候选蛋白质数目按照数量级变化，之后的研究中常称其为“三角”发现策略；另一种策略通过进行大队列非靶向的蛋白质组数据分析，发现蛋白质表达量、修饰状态的改变和疾病状态的相关性，又被称为“矩形”发现策略。

在生物标志物发现的''三角''策略中，少量的样本被深入测量（最大数量的量化蛋白质），然后在更大的队列中测试几个标志物。相比之下，我们主张采用 "矩形策略"，即在几个共同的队列中，最好是数百个样本，尽可能深入地测量。

纵向研究特别有吸引力，因为每个人都可以作为自己的对照，有效地消除了蛋白质水平的基线个体间的变化。在获得如此广泛的数据集后，下一步是生物信息学分析，特别是对病例和对照组之间的蛋白质组差异进行量化。理想情况下，这将导致与被调查情况相关的候选命中（统计学上的离群蛋白）（图4B）。

在纵向数据的情况下，蛋白质可以通过它们的轨道进行聚类，有一个刚刚提到的额外优势，即蛋白质水平在一个人体内往往比他们之间更稳定，使这种概况特别有信息。然后对离群的蛋白质或那些在时间过程分析中聚集的蛋白质进行生物信息学富集分析，揭示生物过程。蛋白质组学数据集有非常多的数据点，可以汇总到 "全蛋白质组相关图 "中，我们发现它是解释的绝佳指南（图4C）。

在这里，倾向于在不同条件和参与者之间共同调控的亲蛋白组合在一起，揭示了重要的联系和基础网络。重要的是，临床 "元数据"，如现有的实验室测试也包含在这些集群中，允许对潜在生物标志物的性质进行功能分析。

前面提到的统计学和生物信息学分析产生了一些离群的蛋白质，这些蛋白质需要结合起来才能产生可操作的生物标志物供临床使用。在目前的医疗实践中，单一蛋白质或几个测量值的水平被纳入使用阈值的简单决策图表中。例如经典的De-Ritis-Ratio、Child-Pugh-Score、CHA2DS2-VASc评分或Bartels-index。

然而，在基于质谱的蛋白质组学的情况下，这样的方案不能最佳地利用现有的大量数据，而且如何将不同的蛋白质值手动组合成一个值得信赖的分数也不是很明显。相反，从数以千计的特征中发现信号和预测因素是ML最擅长的事情。

在生物标志物的案例中，类别可以是病例和对照，而蛋白质的水平是特征。有成熟的方法来确定哪些特征对区分类别的贡献最大。这也有助于解释，并有助于避免对不太可能有医学意义的蛋白质进行分类，而是由于队列组中不同的样本处理。

在ML中有一套程序来防止过度拟合数据，指的是给定一个足够大的特征集，任何任意队列都可以被完美分离。然而，这样的ML模型对训练数据集来说是特定的，不会泛化到新的案例。良好的ML实践包括严格分割训练和评估数据--评估数据从未被用于训练。当样本数量非常有限时，交叉验证等方法仍然可以帮助评估模型的性能。

不过，过拟合是一个永远存在的问题，需要时刻牢记，这也是拥有独立队列的主要原因。对ML发现的生物标志物的评估应以标准的方式进行，如 "混淆矩阵"（正确分类的阳性和阴性在对角线上，不正确的在非对角线上）和ROC曲线，以一种稳健的方式总结性能。基于互换的FDR测试进一步增加了对所选截止点的结果的稳健性的了解。

然而，最终人工智能衍生的生物标志物仍然需要符合独立的大型队列中的相同验证标准，这些标准已经在临床实践和流行病学中建立了几十年。我们在血浆和肝脏蛋白质组学数据集中采用了基于ML的技术来识别酒精性肝病的循环生物标志物，在诊断纤维化的早期阶段，这些生物标志物的表现已经开始超过既定的生物标志物（肝酶测试与超声硬度测量相结合）。

同样，我们在一项三队研究中从CSF获得了有希望的分类结果，其特征与一项类似的研究和帕金森病尿液蛋白质组的两队研究重叠。根据我们的经验，已有的ML方法在这项任务中表现良好，预测性能一般不受模型复杂程度的限制，而是受训练模型的数据点的数量限制。此外，临床基本事实往往也有一定的不确定性，例如，由于不同的中心可能使用不同的标准来确定疾病，而且这些方法也有错误率。

一旦定义了一组潜在的生物标志物，就需要将其转化为临床测试。在过去，监管机构主要处理单项分析免疫学测试的审批问题。这个过程已经很艰巨和繁琐了，但使用新技术的多分析物读数使其变得更加复杂。这是使生物标志物发现管道（包括ML）尽可能简单、稳健、可解释和可重复的另一个原因。

另外，蛋白质组学和ML的结果可以提炼成几个候选生物标志物，然后以既定方式进行测量和批准。虽然原则上是可行的，但我们认为这不是最佳选择，因为它放弃了技术的特异性和多分析的优势，而且基于抗体的量化可能对蛋白质组学经常发现的微妙的定量变化不够准确。

此外，质谱技术在具体检测和量化转化后的多肽或蛋白质方面有很大优势。在生物医学领域，我们已经描述了ML是如何将蛋白质组学数据提炼成生物标志物面板的必要的最后一步，可以对疾病进行诊断、预后或报告干预的效果。

在这里，模型的透明度和其可解释性不仅是可取的，而且是被医疗系统接受的必要条件。这一点也越来越多地被编入法律规定中。人工智能预测模型的一个普遍挑战是其潜在的偏好，因为数据集来自非多样化的来源，这表现为要求尽可能地包括不同的人群和疾病。除了性别和种族之外，社会经济地位和年龄也经常被忽视，尽管它们往往具有重要的影响。

需要注意的是，代谢组学等相关领域仍然不是这样，代谢组学与蛋白质组学类似，使用基于质谱的技术，但目的是全面识别生物系统中的小分子。广泛的数据共享产生了有益的影响，使蛋白质组学成为应用人工智能努力的有吸引力的领域。尽管如此，我们注意到在FAIR原则中正式确定的数据可及性要求与欧盟GDPR法规中体现的数据隐私要求之间的矛盾日益突出（图5）。这在最近才成为蛋白质组学中的一个问题，因为数据质量已经提高到可能允许（重新）识别个人的程度，这现在提出了伦理和哲学问题。重要的是，不同的利益相关者和当局要认识到这些挑战，并以不妨碍科学和医学进步的方式来处理它们。

一个解决方案是建立敏感数据的数据库，只有合格的和被批准的研究人员才可以访问。在另一种方法中，自动编码器被用来保护数据（图5）。

图5.可解释性和隐私有许多研究工作和越来越多的伦理和法律要求使算法可解释而不是"黑盒子"开放科学的目标，包括对数据的评估和对数据隐私的法律和道德要求之间的矛盾，可以通过只对合格的研究人员开放的敏感数据库和联合学习等技术在一定程度上得到缓解，在这些技术中，数据仍然在原地。

六、结论

在这个文章中，我们总结了人工智能的进展如何已经成为基于质谱的蛋白质组学数据生成管道中不可或缺的一部分。给定一个多肽序列，现在可以预测几乎所有由这种固有的多维技术测量的分析属性。为数不多的例外之一是预测具有特定序列的肽的MS反应。

此外，DL和AI方法仍然需要改进，以透明和FDR控制的方式将这些信息纳入肽的识别或匹配过程中。肽和蛋白质定量的准确性--通常是蛋白质组学实验的最终目标--同样可以从这些新方法中获益。我们注意到迁移学习越来越重要，它可以使DL模型适应蛋白质组学仪器和问题，极大地减少了DL方法所需的数据量。下一步应该包括更透明的开源架构，允许数据分析和不同的人工智能算法的无缝结合，这是正在推动的AlphaPept框架。

蛋白质组学数据集越来越多地成为大型项目的一部分，这些项目包括其他多维数据，甚至包括各种 "元数据"，如显微镜图像。所有这些结果都需要与现有的生物医学文献和不断增长的数据库中的知识联系起来。今天，这在很大程度上仍然是手工完成的，这种情况不仅耗时，而且不理想。

图数据库（如社交媒体的基础数据库）和图数据结构上的人工智能是向前发展的绝佳途径。在未来，人工智能方法本身将推动蛋白质组学项目中所有不同的结果和以往知识的整合。系统生物学的一个长期目标是对细胞行为进行建模，例如使用随机或动力学模型。

尽管在专门和有界限的领域取得了成功，但现代蛋白质组学方法提供的大量数据点很快使其在数学上变得难以解决。这是因为生物系统是高度相互关联的，因此，很难模块化。然而，这些属性可能使细胞决策的预测适合于机器或深度学习。

然而目前在这个方向上的努力，还没有直接或有效地利用蛋白质组学实验中的大量精确量化数据。相比之下，在更广泛的转录组学数据集上训练的模型在预测一系列细胞结果方面已经达到了卓越的性能。鉴于蛋白质组学可以测量蛋白质的高特异性和定量准确性，以及这些蛋白质与生物功能有更直接的联系，

我们相信，基于该技术的细胞ML或DL建模将有一个光明的未来。为此，我们敦促在系统和同源扰动的基础上产生高精度、时间分辨率高的数据集，并进一步研究合适的ML或DL架构。在这种情况下，方法的可解释性是至关重要的，因为 "黑盒子 "模型实际上不会推进我们的生物知识，无论它们在预测细胞行为方面有多好。总之，人工智能已经成为蛋白质组学企业的一个组成部分。这项技术正在迅速成为数据生成和整合的基础。显然，最大的机会还在后面，它将使人们对生物系统有前所未有的了解，并以新的方式来诊断和影响疾病的进程。生物医学数据生成方面的进展，包括基于质谱的蛋白质组学，加上用于数据分析和整合的ML和DL的突破，将使我们朝着数据驱动的精准医疗的目标前进。