Nature Methods于2026年10月14日发表研究论文，介绍面向人工智能训练的蛋白质组学质谱数据集MassNet。论文称，该资源整合了来自648个项目、27,643次液相色谱—串联质谱实验的数据，覆盖35个物种，包含约15.4亿条质谱记录；经过筛选和去重后，数据还包括约5.01亿条目标肽段—谱图匹配记录。研究团队同时提出Mass Spectrometry DDA Tensor格式，用于将谱图、肽段鉴定和实验元数据以更适合机器学习读取的结构化方式保存。Nature Methods原文
这项工作的重点不只是扩大数据规模，也在于解决质谱数据长期存在的格式不统一、元数据不完整和读取效率较低等问题。论文介绍，MassNet整合了来自PRIDE和iProX等公共资源的数据，并保留项目、仪器参数和搜索结果等可追溯信息。研究者以此训练了非自回归Transformer模型XuanjiNovo，用于从质谱数据中进行从头肽段测序。论文报告称，在人类Astral数据上的多个测试中，XuanjiNovo较现有方法提升约38.35%至143.57%；这一结果属于论文实验评估，不等同于临床应用效果或独立第三方验证。
从产业和科研基础设施角度看，MassNet显示出一个趋势：人工智能在生命科学中的瓶颈，正在从单纯改进模型，转向建设可复用、可追溯、适合训练的数据基础设施。覆盖多物种的数据有助于模型探索人类蛋白质组之外的生物学任务，统一的张量化格式也可能降低数据清洗和工程接入成本。不过，数据集仍依赖既有公共数据库和搜索流程，数据质量、物种分布、实验平台差异以及训练集与评测集之间的潜在偏差，都需要后续研究继续检验。现阶段更稳妥的判断是，MassNet为AI蛋白质组学提供了较大规模的数据与格式尝试，而不是已经证明其能够直接改善诊断或药物研发结果。
参考来源：
- MassNet: billion-scale AI-ready mass spectral corpus empowering scalable deep learning in proteomics 2026-10-14
由 AI 整理，仅供参考；请以原始来源为准。
