深度学习在蛋白质组学中的应用：从CNN到Transformer的演进
蛋白质组学这个领域，说白了就是想知道细胞里到底有哪些蛋白质在干活。以前靠人工比对谱图，效率低得吓人。后来机器学习救了场，再后来深度学习直接颠覆了玩法。我入行那会儿，大家还在用随机森林做谱图打分，现在呢？Transformer都快成标配了。这一节咱就聊聊这个演进过程，看看CNN怎么过渡到Transformer的，以及为什么Transformer成了肽段谱图匹配的新宠。
1. 深度学习之前：手工特征与浅层模型
在2015年之前，肽段谱图匹配基本靠“工程师手艺”。我记得刚接第一个蛋白质组学项目时，导师扔给我一堆mzXML文件，让我写打分函数。那时候主流做法是手动提取几十个特征——比如峰强度、电荷匹配、同位素分布，然后塞进SVM或随机森林里。说白了，模型的判断力完全取决于你设计特征的水平。我曾经花了两周调一个“b/y离子连续性”特征，效果还不如别人用X!Tandem的默认参数。这让我意识到，手工特征的瓶颈太明显了。
2. CNN登场：从谱图中学习局部模式
卷积神经网络在图像识别上的成功，很快被移植到质谱分析中。为啥能用CNN？一个谱图本质上就是一维信号（m/z轴上的强度分布），局部峰形、同位素簇就是卷积核能捕捉的模式。我用过的最经典CNN模型是Prosit，它把片段离子强度预测当成了回归任务。输入是肽段序列的编码和碰撞能量，输出是碎片离子强度。Prosit用一维残差网络，确实比传统方法准了一大截。
核心思路：CNN通过滑动窗口提取谱峰局部特征，解决了手工设计特征的难题。但有个致命问题——它很难处理序列长度变化。你想想，肽段长度从7到40个氨基酸不等，CNN的固定感受野根本扛不住长肽段。
3. RNN/LSTM：试图捕获序列依赖
既然谱图匹配本质上是一个序列问题（从片段离子反推氨基酸序列），那循环神经网络自然被拉进场。我当时尝试过PointNovo，它用LSTM做谱图到序列的端到端预测。效果？短肽还行，长肽末端经常出错。为什么呢？LSTM虽然理论上能处理长序列，但实际训练时梯度消失还是严重。再加上RNN只能串行计算，GPU利用率低得可怜——跑一个model要一周，换成CNN只要三天。
4. 为什么Transformer来了？
2017年《Attention is All You Need》那篇论文刚出来时，我还在做RNN调参，没当回事。后来发现，Attention机制天然解决了两大痛点：并行计算和远距离依赖。在肽段谱图匹配场景里，谱峰之间的关联可能相隔上百个Da，CNN抓不到，RNN算不动，Transformer一个self-attention全搞定。你想想，实测效果AlphaPeptDeep和Casanovo直接把谱图预测的皮尔逊相关系数从0.6拉到0.8以上。
个人经验：我在2022年把Casanovo移植到自己的质谱数据上时，最让我惊喜的不是准确度，而是训练效率——原来用LSTM需要8张V100跑两天，Transformer只用4张卡跑半天就收敛了。嗯，这就是并行化的威力。
5. CNN与Transformer的对比：一张表说清
| 维度 | CNN | RNN/LSTM | Transformer |
|---|---|---|---|
| 局部特征提取 | 强（卷积核优势） | 弱 | 中等（通过positional encoding补充） |
| 长距离依赖 | 弱（需要堆叠多层） | 理论上强，实际弱 | 强（直接注意力矩阵） |
| 序列变长适应性 | 差（需要padding或截断） | 中等（按时间步展开） | 强（直接处理变长token） |
| 训练并行度 | 高 | 低（串行） | 高（全部并行） |
| 谱图-序列交互 | 间接（需设计特征融合层） | 端到端但慢 | 直接交叉注意力 |
6. 当前的Transformer实践方向
现在主流做法分为两派：一是像AlphaPeptDeep那样用Transformer把肽段序列直接预测碎片离子强度（本质上是一个回归生成模型）；二是像Casanovo那样做序列到序列翻译——输入是谱图token，输出是氨基酸序列。我个人更倾向后者，因为它更接近人类做谱图解释的思维方式。不过要注意，Transformer的复杂度是O(n²)，n是序列长度。肽段一般不超过50个氨基酸，问题不大。但你如果做完整序谱库匹配，长度几千的肽段就要小心了，显存可能爆掉。
我曾经踩过的坑：刚开始用Transformer时，把氨基酸和碎片离子类型一股脑扔进同一个embedding层，结果模型怎么都不收敛。后来才发现，谱图token和序列token需要分别用不同的线性投影层，而且位置编码要用谱图的m/z值做连续位置嵌入，而不是简单的sin/cos。这个调了两周才悟出来，嗯，写出来给大家省点时间。
7. 小结：Transformer不是万能药
说了这么多Transformer的好处，我得泼盆冷水。它不擅长处理极端不平衡的数据（比如低频碎片离子），而且在小样本场景下容易过拟合。我建议刚入门的同学，别急着上Transformer，先用CNN把baseline跑出来。如果CNN在验证集上已经到0.7相关系数了，再换成Transformer，这样你才能体会到注意力机制带来的真实提升。毕竟，工具再好，也要知道什么时候该用它。