IF46.9｜moPepGen：图算法全面解析非经典肽

moPepGen用图算法在分钟级生成非经典肽库，让多组学蛋白质组鉴定更全面。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

蛋白质组学中，一个DNA序列可通过遗传变异、转录后修饰、选择性剪接和RNA环化等产生多种蛋白产物，即非经典肽。传统方法如de novo测序和开放搜索虽能发现非经典肽，但计算昂贵、假阴性率高。因此，多数蛋白质基因组学研究采用包含DNA和RNA变异的定制数据库，通过样本特异性搜索空间来降低错误率。然而，现有数据库生成工具往往只针对单一变异类型，无法全面模拟基因表达的复杂性，导致漏检。

科学问题

卡在哪里： 现有非经典肽数据库生成工具通常只考虑单一变异类型（如SNV、indel或融合），无法同时整合多种变异及组合，且计算复杂度高，难以处理大规模数据。这导致许多由复杂变异组合产生的非经典肽被遗漏，假阴性率高。

本文要回答： 开发一个能全面、高效地生成非经典肽数据库的算法，以支持多物种、多技术平台的蛋白质基因组学研究。

技术路线

作者主要用了：图算法、转录本变异图、肽变异图、肽切割图、模糊测试、多组学数据整合。

作者开发了moPepGen，一种基于图的多组学肽生成算法。它通过构建转录本变异图（TVG）、肽变异图（PVG）和肽切割图（PCG）三个层次的图，系统整合SNV、indel、RNA编辑、选择性剪接、基因融合和circRNA等变异类型，并在所有阅读框中进行翻译和切割模拟。算法采用分阶段调用和弹出-折叠策略优化性能，能在线性时间内枚举所有可能的非经典肽。随后，作者用模糊测试验证了算法的准确性和线性复杂度，并在多个真实数据集上进行了基准测试和应用。

图 1　Fig. 1。图1展示了moPepGen的算法框架和性能。a部分显示moPepGen基于图结构整合多种变异类型（SNV、indel、RNA编辑、选择性剪接、融合、circRNA）并生成非经典肽库。b和c部分通过模糊测试表明moPepGen的运行时间随变异数量线性增长，而暴力算法呈指数增长，验证了其高效性。

核心亮点

亮点 1｜算法性能与准确性验证

moPepGen通过100万次模糊测试验证，与暴力算法相比，肽预测完全准确，且运行时间随变异数量线性增长（每个变异4.7×10^-3秒），而暴力算法呈指数增长。在人类种系多态性数据库生成中，moPepGen仅用3.2小时和15GB内存完成，暴力算法无法完成。与customProDBJ和pyQUILTS比较，moPepGen在简单变异上灵敏度略高，在复杂变异（选择性剪接、RNA编辑、环化、融合）上独有80.2%的肽，并唯一检测到53.7%的匹配肽。

图 2　Fig. 2。图2展示了moPepGen在癌细胞系和前列腺癌中的应用。a部分显示不同组织来源的细胞系中预测的变异肽数量差异很大，中位数从838到16,255不等。b部分显示26个基因的变异肽在多个组织来源的细胞系中重复检测，包括TP53、KRAS和HRAS。c部分显示前列腺癌样本中moPepGen生成的变异肽涵盖115种变异组合类别，体现了其全面性。

亮点 2｜多蛋白酶与多物种应用

在人类扁桃体样本中，moPepGen结合七种蛋白酶鉴定到1,787个来自非编码转录本的ORF肽，其中Arg-C蛋白酶效果最佳，184个ORF在四种以上方法中重复检测。在小鼠C57BL/6N中，利用种系变异预测了5,481个编码基因变异肽和15,475个非编码ORF肽，在三个组织中检测到18个编码变异肽和343个非编码ORF肽，证明moPepGen支持非人类物种的蛋白质基因组学。

亮点 3｜癌细胞系体细胞变异肽检测

在375个CCLE细胞系中，moPepGen每个细胞系平均2分58秒生成2,683个变异肽。蛋白质组搜索检测到每个细胞系39个非经典肽，主要来自非编码ORF。26个基因的变异肽在三个以上组织来源的细胞系中重复检测，包括TP53、KRAS和HRAS等驱动基因。通过Prosit预测谱图验证，变异肽的谱图相关性高于其经典对应物。此外，检测到的变异肽预测出416个潜在新抗原，包括KRAS、TP53和FUBP3中的重复新抗原。

亮点 4｜DIA蛋白质组学与复杂变异整合

在8个透明细胞肾细胞癌DIA数据中，moPepGen预测每个肿瘤157,016个变异肽，利用Prosit谱库和DIA-NN检测到307个变异肽，主要来源于种系SNP和选择性剪接，RNA编辑肽在21个基因中检测到。在5个前列腺癌样本中，整合WGS、RNA-seq和蛋白质组数据，moPepGen生成1,382,666个变异肽，检测到206个非经典肽，其中138个来自编码基因。检测到多个变异组合肽，包括KLK3（PSA）的两个多变异肽，以及9个基因的circRNA来源肽，其中36/78个circRNA PSM通过de novo测序验证。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 图算法、转录本变异图、肽变异图、肽切割图、模糊测试、多组学数据整合
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事蛋白质基因组学、肿瘤新抗原发现或多组学整合分析的生物信息学研究人员。

带走一句

moPepGen提供了一个高效、全面的非经典肽数据库生成方案，可无缝整合多组学数据，显著提升蛋白质基因组学研究的覆盖度和准确性。