上海
編輯丨王多魚
排版丨水成文
深度學習（Deep Learning）在糖蛋白組學（glycoproteomics）的高通量譜庫構建中展現出巨大潛力。然而，由于完整 N-糖肽（N-glycopeptide）結構復雜且信息維度高，其結構光譜的精確預測仍面臨挑戰。
2026 年 5 月 18 日，西北大學生命科學學院孫士生教授團隊在 Nature 子刊Nature Machine Intelligence上發表了題為：SpecGP as a transformer-based model for predicting energy-adaptable structural spectra of glycopeptides 的研究論文。
該研究開發了一個基于 Transformer 的模型——SpecGP，用于預測糖肽（glycopeptide）的能量適應性結構光譜。
在這項最新研究中，研究團隊提出了一個基于 Transformer 的模型——SpecGP，采用注意力增強的糖質片段編碼策略與多層感知器，實現精準的糖肽譜預測。該模型通過擴展碎片離子覆蓋范圍，在保持高預測精度的同時，提升了糖肽間的譜圖區分能力。通過預測多個碰撞能量下的質譜圖，SpecGP 最大化關鍵診斷離子的檢測，并確保與多樣化實驗數據集的廣泛兼容性。此外，其雙任務框架還改進了保留時間預測。
在應用中，SpecGP 通過自監督加權訓練策略有效增強異構體區分能力，并借助重評分提升糖肽鑒定效果。多能量譜中動態變化的互補診斷離子可進一步強化并驗證糖質結構判別能力。
論文鏈接：
https://www.nature.com/articles/s42256-026-01246-4
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
