DIA-CLIP: a universal representation learning framework for zero-shot DIA proteomics

📄 arXiv: 2602.01772v1 📥 PDF

作者: Yucheng Liao, Han Wen, Weinan E, Weijie Zhang

分类: cs.LG, cs.AI, q-bio.QM

发布日期: 2026-02-02

备注: 21 pages, 5 figures

💡 一句话要点

DIA-CLIP：用于零样本DIA蛋白质组学的通用表征学习框架

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: DIA蛋白质组学 跨模态表征学习 对比学习 零样本学习 质谱分析

📋 核心要点

  1. 现有DIA分析方法依赖于半监督训练，存在过拟合风险，且泛化能力不足。
  2. DIA-CLIP采用双编码器对比学习和编码器-解码器架构，实现肽段和谱图的跨模态表征。
  3. 实验表明，DIA-CLIP在蛋白质识别方面提升高达45%，诱饵蛋白识别减少12%。

📝 摘要（中文）

数据非依赖采集质谱（DIA-MS）已成为蛋白质组学分析和大规模系统生物学的基石，提供无与伦比的深度和重现性。然而，目前的DIA分析框架需要在每次运行中进行半监督训练，以重新评分肽段-谱图匹配（PSM）。这种方法容易过度拟合，并且缺乏跨不同物种和实验条件的泛化能力。本文提出了DIA-CLIP，一个预训练模型，将DIA分析范式从半监督训练转变为通用跨模态表征学习。通过将双编码器对比学习框架与编码器-解码器架构相结合，DIA-CLIP为肽段和相应的光谱特征建立了一个统一的跨模态表征，实现了高精度、零样本PSM推断。在各种基准上的广泛评估表明，DIA-CLIP始终优于最先进的工具，在蛋白质识别方面提高了高达45%，同时减少了12%的诱饵蛋白识别。此外，DIA-CLIP在单细胞和空间蛋白质组学等多种实际应用中具有巨大的潜力，其增强的识别深度有助于发现新的生物标志物和阐明复杂的细胞机制。

🔬 方法详解

问题定义：当前DIA蛋白质组学分析主要依赖于半监督训练，针对每次实验都需要重新训练模型。这种方法的痛点在于容易过拟合特定数据集，导致模型在新的物种或实验条件下泛化能力较差，限制了其在更广泛场景下的应用。

核心思路：DIA-CLIP的核心思路是利用跨模态表征学习，将肽段序列信息和质谱数据映射到同一个高维空间中，使得相似的肽段和谱图在该空间中的距离更近。通过预训练的方式，学习到一个通用的表征空间，从而实现零样本的PSM推断，避免了针对每个数据集进行单独训练。

技术框架：DIA-CLIP的整体架构是一个双编码器对比学习框架，结合了编码器-解码器结构。该框架包含两个主要的编码器：一个用于编码肽段序列信息，另一个用于编码质谱数据。编码器-解码器结构用于重建输入数据，从而提高表征的质量。对比学习的目标是拉近同一肽段对应的序列和谱图表征，同时推远不同肽段的表征。

关键创新：DIA-CLIP最重要的技术创新点在于其通用跨模态表征学习的能力。与传统的半监督方法不同，DIA-CLIP通过预训练学习到一个通用的表征空间，可以用于零样本的PSM推断，无需针对每个数据集进行单独训练。这种方法大大提高了模型的泛化能力和适用性。

关键设计：DIA-CLIP的关键设计包括：(1) 使用Transformer网络作为编码器，以捕捉肽段序列和谱图中的长程依赖关系；(2) 采用对比损失函数，鼓励模型学习到区分不同肽段的表征；(3) 使用编码器-解码器结构进行数据重建，提高表征的鲁棒性；(4) 针对DIA数据的特点，设计了特定的数据增强策略。

📊 实验亮点

DIA-CLIP在多个基准数据集上进行了评估，结果表明其性能始终优于现有最先进的工具。具体而言，DIA-CLIP在蛋白质识别方面提高了高达45%，同时减少了12%的诱饵蛋白识别。这些结果表明，DIA-CLIP能够显著提高DIA蛋白质组学分析的准确性和效率。

🎯 应用场景

DIA-CLIP具有广泛的应用前景，尤其是在单细胞和空间蛋白质组学等领域。其增强的蛋白质识别深度有助于发现新的生物标志物，并阐明复杂的细胞机制。此外，DIA-CLIP的通用性使其能够应用于不同物种和实验条件下的蛋白质组学研究，加速蛋白质组学研究的进展。

📄 摘要（原文）

Data-independent acquisition mass spectrometry (DIA-MS) has established itself as a cornerstone of proteomic profiling and large-scale systems biology, offering unparalleled depth and reproducibility. Current DIA analysis frameworks, however, require semi-supervised training within each run for peptide-spectrum match (PSM) re-scoring. This approach is prone to overfitting and lacks generalizability across diverse species and experimental conditions. Here, we present DIA-CLIP, a pre-trained model shifting the DIA analysis paradigm from semi-supervised training to universal cross-modal representation learning. By integrating dual-encoder contrastive learning framework with encoder-decoder architecture, DIA-CLIP establishes a unified cross-modal representation for peptides and corresponding spectral features, achieving high-precision, zero-shot PSM inference. Extensive evaluations across diverse benchmarks demonstrate that DIA-CLIP consistently outperforms state-of-the-art tools, yielding up to a 45% increase in protein identification while achieving a 12% reduction in entrapment identifications. Moreover, DIA-CLIP holds immense potential for diverse practical applications, such as single-cell and spatial proteomics, where its enhanced identification depth facilitates the discovery of novel biomarkers and the elucidates of intricate cellular mechanisms.