《Journal of Proteome Research》：The Peptonizer2000: Bringing Confidence to Metaproteomics
编辑推荐：
本文推荐一项创新性研究，研究者开发了名为Peptonizer2000的生物信息学工具。该工具通过整合蛋白质组搜索引擎的肽段分数与Unipept数据库的肽段-分类群（taxon）映射关系，构建图形模型（graphical model）并利用信念传播（belief propagation）算法，为宏蛋白质组学（metaproteomics）样本的物种鉴定提供带有概率置信度的结果，显著提升了复杂微生物群落分析的准确性和可靠性。
引言
宏蛋白质组学旨在通过对微生物群落蛋白质的大规模研究，揭示其功能与分类学组成。然而，由于不同生物体间蛋白质序列的相似性，以及肽段常与多个分类群关联，准确鉴定样本中的微生物物种面临挑战。当前的主流方法，无论是基于肽段中心（peptide-centric）（如Unipept）还是基于蛋白质中心（protein-centric）的分析流程，多依赖于简单的计数规则（如每个分类群至少2-3个观测值）来判定物种存在，忽略了数据收集过程中固有的不确定性，并可能导致较低的分类学分辨率。特别是最低公共祖先（Lowest Common Ancestor, LCA）方法，在公共数据库规模不断扩大的背景下，其特异性正面临下降。现有的一些高级统计方法（如MiCiD）往往与特定搜索引擎绑定，或缺乏对多种数据采集模式（如DIA）的支持。为了弥补这些不足，研究者引入了Peptonizer2000。
方法
Peptonizer2000工作流程概览
Peptonizer2000的工作流程主要分为三个步骤。首先，利用新开发的Unipept API端点，基于用户提供的、带有分数的肽段列表，查询所有候选肽段的分类学注释，并基于加权PSMs（Peptide-Spectrum Matches）选择候选分类群。其中，分类群T的权重WT计算公式为：WT= Σi(#PSMi/Degi)，#PSMi代表肽段i的谱图匹配数，Degi代表肽段i的简并性（即映射到的分类群数量）。肽段若映射超过10,000个蛋白质，则因其携带的分类学信息极少而被排除。
其次，构建图形模型并进行推理。模型将所有肽段和候选分类群表示为因子图（factor graph）中的节点，并根据肽段-分类群归属关系建立连接。模型采用了基于噪声或（noisy-OR）模型的因子节点，引入了三个参数：α（给定父分类群存在时观测到肽段的概率）、β（肽段被随机/错误观测或错误关联到不存在分类群的概率）和γ（分类群存在的先验概率）。研究者采用了“零前瞻”（zero-lookahead）信念传播算法来计算图中每个分类群的边际概率（即存在概率）。为了确定最适合特定样本的模型参数（α, β, γ），研究对所有参数组合进行了网格搜索。
第三步，评估并选择最优参数，输出结果。通过比较基于权重的分类群列表（LW）与基于得分的分类群列表（LS），并使用基于序列相似性的聚类方法精简LW后，计算两者间的排序偏向重叠度（Rank-Biased Overlap, RBO）。最优参数集被定义为能够最大化RBO与熵（S）的负二次方乘积（M = RBO · S-2）的组合。最终，工作流程会输出包含分类群及其置信度得分的CSV文件、条形图、以及交互式树状图等多种格式的结果。
材料与评估
研究使用多个公开可用的宏蛋白质组学数据集对Peptonizer2000进行了评估，包括来自CAMPI研究的SIHUMIx样品（已知由8种微生物组成的实验室组装混合物）和人类粪便样本（F07），以及一个包含最多32种不同微生物的复杂实验室组装混合物。此外，还分析了一个海洋微生物组样本和一个土壤微生物组样本。分析使用了多种参考数据库，包括为SIHUMIx定制的数据库、人类肠道微生物整合基因目录（Integrated Gene Catalog, IGC）、为32物种混合物定制的数据库以及通用的UniRef90数据库。所有样本均通过Sage搜索引擎结合MS2Rescore重打分进行处理，以获得带有统计可靠性评估（e值）的肽段列表。
结果
对已知组成样本的鉴定结果展示可靠的置信度估计
在SIHUMIx样本的分析中，Peptonizer2000成功地将所有已知存在的分类群鉴定为得分最高（概率p在0.9至1之间）的物种，与基于唯一肽段计数的Unipept结果高度一致。然而，Unipept结果中不同分类群的唯一肽段数量差异巨大（从1到超过6000），这使得仅凭“至少2个唯一肽段”的经验阈值难以合理判断物种存在与否。结合精确度、召回率和F1分数的分析表明，对于此类低复杂性样本，可考虑采用“Peptonizer得分 > 0.8 且至少有一个唯一肽段”的标准，以获得最佳的分类性能。
在更复杂的、包含28种微生物的实验室混合物（U1样本）分析中，Peptonizer2000成功识别了20种已知存在的物种。未检出的物种中，一种因不在NCBI分类数据库中而缺失，另一种（Agrobacterium tumefaciens）因其异名（Agrobacterium fabrum）被检出而可视为正确。尽管存在一些假阳性（多为与真实存在物种亲缘关系很近的分类群），但Peptonizer2000的概率分数与Unipept的唯一肽段计数相结合，提供了有价值的互补信息。例如，对于Paracoccus denitrificans和Pseudomonas nitrireducens，两者在Unipept中均有6个唯一肽段，但Peptonizer2000给出了前者存在（高概率）、后者不存在（低概率）的判别。分析指出，最佳的概率得分阈值约为0.85，且对于此类复杂样本，不建议设置唯一肽段数量的最低要求。
非定制化参考数据库导致置信度降低
当使用非定制化但领域相关的数据库（如IGC肠道微生物目录）分析SIHUMIx样本时，三种低丰度物种因未检测到唯一肽段而未被Peptonizer2000和Unipept检出。对于其余五个物种，Peptonizer2000仍能正确赋予最高概率分数。结合F1分数分析，建议对使用非定制库的物种级结果采用更保守的阈值（s > 0.9）。当使用通用的、非特化的超大数据库（如UniRef90）时，肽段鉴定率显著下降，分类学鉴定的准确性也随之降低。
参考数据库缺失分类群对结果的影响
通过模拟实验移除已知存在物种后，Peptonizer2000倾向于将高概率值赋予与缺失物种亲缘关系最近的分类群。例如，当Bacteroides thetaiotaomicron（物种级）缺失时，多个Bacteroides属的其他物种获得高概率；当整个Bacteroides属缺失时，则其上一级分类单元Bacteroidaceae科的多个物种被高概率检出。这一行为提示用户，若发现多个近缘分类群同时获得高概率分，需考虑样本中真实存在的微生物可能未包含在参考数据库中。
在真实环境样本中的应用
在人类粪便（F07）、土壤和海洋等真实环境样本的分析中，Peptonizer2000在门、纲、科、属、种等多个分类学层级上均能计算有意义的概率分数。其结果与原有研究中的发现基本一致。例如，在粪便样本中，Peptonizer2000鉴定出的22个细菌家族与先前研究相符，其概率分数有助于评估那些唯一肽段数量中等（如Sutterellaceae科，40个唯一肽段，概率0.94）或较少（如Bacillaceae科，2个唯一肽段，概率0.52）的分类群存在的可能性。
图形模型参数具有直观可解释性
对所有测试样本的网格搜索结果显示，最优参数组合具有规律性：肽段发射概率α均很高（≥0.9），反映了“若分类群存在，其对应肽段很可能被观测到”的预期；错误概率β也较高（≥0.5），这与模型构建时纳入了大量（默认≥150个）潜在分类群，且其中许多因序列同源性而与肽段产生错误连接的情况相符；先验概率γ在0.1到0.5之间变动，反映了对样本中实际存在物种比例的不同预期。基于此，研究者推荐将网格搜索空间精简为α ∈ [0.85, 0.9, 0.99], β ∈ [0.5, 0.6, 0.7], γ ∈ [0.1, 0.3, 0.5]，以平衡计算效率与结果质量。
合理的资源消耗与运行时间
Peptonizer2000的计算时间和内存消耗与所构建图形的大小（节点和边数）相关。对测试样本的基准测试显示，在Intel Xeon E5-2650 v2 CPU上，运行时间从几分钟到近一小时不等，内存占用则在1GB到5GB之间。信念传播是最耗时的步骤，其最坏情况时间复杂度为O(n2)。研究者建议在服务器环境中运行该流程以充分利用并行计算。
讨论与展望
Peptonizer2000通过图形模型整合肽段证据及其统计分数，为宏蛋白质组学的物种鉴定提供了概率化的解决方案。其肽段中心（peptide-centric）的设计避免了蛋白质推断带来的额外假设和偏差，特别适合肽段共享广泛的复杂群落。研究证实，将Peptonizer2000的概率分数与Unipept的唯一肽段计数结合使用，能有效提升物种存在与否判断的准确性，并为常用的经验阈值（如“至少两个唯一肽段”）提供统计学依据。
未来，通过算法优化（如图聚类、社区检测）可进一步提升计算速度与可扩展性。计划将Peptonizer2000集成到Unipept网络应用程序中，以提供更友好的用户界面。同时，开发一个不依赖于Unipept、可与更多领域特定数据库（如MGnify, GTDB）联用的独立版本，将拓宽其应用范围。随着数据非依赖采集（Data-Independent Acquisition, DIA）等质谱技术和能有效解析嵌合谱图的搜索引擎的发展，Peptonizer2000的输入数据质量将不断提高，从而有望实现更精准、更可靠的物种鉴定。最终，该工具有助于推动宏蛋白质组学数据分析从依赖任意启发式阈值，向能够处理不确定性并提供概率化错误估计的更敏感方法演进。
