English1828个位点、AI识别甲基化肽段：蛋白甲基化研究的“高置信地图”来了
一句话结论
2026年7月，Wang、Jones、Vizcaíno等人在bioRxiv发表预印本研究：他们用统一、开源的质谱流程重分析8个人类甲基化富集数据集，绘制出仅含1828个位点的人类蛋白甲基化“高置信图谱”；再以此为基础，把原先训练在磷酸化数据上的深度学习模型AHLF通过迁移学习改造成“AHLF-Methylation”，识别甲基化肽段谱图的平均ROC-AUC达到0.824，为这一难以捉摸的翻译后修饰提供了AI辅助的检测新工具。
为什么蛋白甲基化那么难“看清”？
赖氨酸（K）和精氨酸（R）甲基化调控染色质、转录和信号通路，但用质谱 confident 地检测并定位这个修饰一直很难。核心痛点有两个：
- 质量偏移小：甲基化只带来约14 Da的质量增加，和肽段序列差异、同分异构、可变修饰等造成的质量偏移很容易混淆。 - 假定位率高：常规搜索+FDR控制不能保证位点定位正确；很多既往研究可能把“搜到了甲基化肽”直接当成“确定位点”，导致结果里混进大量假阳性。
因此，这篇工作的第一步不是堆更多数据，而是先做严格的质量控制。
数据集与统一流程：TPP + 诱饵氨基酸FLR
研究团队整合了8个公开的人类甲基化富集蛋白质组数据集，使用：
- Trans-Proteomic Pipeline（TPP） 进行数据库搜索； - 诱饵氨基酸（decoy amino acid）FLR策略 独立估计假定位率（FLR）。
结果很严格：8个数据集中，2个数据集（PXD005497、PXD023727）在1% FLR过滤后位点数为0，被排除；剩下6个数据集进入后续分析。
人类甲基化图谱：Gold / Silver / Bronze 三级置信
最终得到的人类甲基化图谱包括：
- 1828个高置信甲基化位点 - 1021个蛋白 - 其中：甲基-精氨酸 1771个，甲基-赖氨酸 57个
按置信度分为三级：
- Gold（金级）：在至少2个数据集中以<1% FLR被鉴定 → 156个位点 - Silver（银级）：在1个数据集中以<1% FLR被鉴定 → 362个位点 - Bronze（铜级）：以<5% FLR被鉴定 → 1310个位点
这个数字明显少于以往研究，作者认为恰恰说明：过去很多报道的“甲基化位点”可能因为缺乏严格FLR控制而被高估。诱饵氨基酸方法把14 Da这种容易混淆的质量偏移产生的假阳性有效筛除。
图1说明：A）Gold/Silver/Bronze三级中，按精氨酸（R）、赖氨酸（K）、诱饵丙氨酸（A）分类的位点分布；精氨酸甲基化占绝对主导，金级中155个是R、仅1个是K。B）每个蛋白携带的甲基化位点数量分布，大多数蛋白只有1个位点，少数蛋白高度甲基化。
AI登场：把磷酸化模型迁移到甲基化
有了高质量谱图，下一步是训练AI识别甲基化肽段。难点在于：甲基化阳性谱图太少，从头训练深度学习模型不现实。
研究团队采取的路线是迁移学习：
- 基础模型：AHLF（Ad Hoc Learning of Peptide Fragmentation），原先在海量磷酸化肽段谱图上预训练； - 训练数据：人类+小鼠共 58,486张 高置信甲基化肽段谱图； - 输出模型：AHLF-Methylation。
实验设计上，他们把数据按肽段序列分组划分训练/验证/测试集，避免序列泄漏；并微调了AHLF的4个预训练变体（α、β、γ、δ）。
主要性能（人类数据测试集）
- 平均 ROC-AUC：0.824 - 平均 F1-score：0.689 - 4个模型中 β变体表现最好，ROC-AUC达到 0.852
加入3个小鼠数据集（额外1324张真阳性谱图）后的混合模型（AHLF-Methyl-HM）平均ROC-AUC为 0.829，说明跨物种保守的碎裂模式可以帮助模型，但小鼠数据量小，提升有限。
训练数据多少才够？降到10%仍能用
作者还测试了训练数据量对性能的影响：从100%逐步降到10%。
- 100%：平均AUC 0.823 - 90%：0.815 - 70%：0.810 - 50%：0.779 - 20%：最低，0.733 - 10%：反而回升到0.777（作者解释为子集肽段组成带来的波动）
总体趋势：数据越少性能越差，但不是严格线性；子集组成和数据平衡同样重要。
图2说明：4个AHLF-Methylation变体在不同训练数据比例下的平均测试AUC；误差棒为标准差。100%训练集性能最高，20%最低。
模型在“看”什么？SHAP解释
用SHAP值做模型解释后发现：AHLF-Methylation更多依赖与理论肽段碎片离子匹配的峰，而不是简单追逐最高强度峰。这说明迁移学习后的模型确实学到了有化学意义的谱图证据，而不是数据伪影。
不过作者也谨慎指出：这并不等于模型已经掌握了甲基化位点特异性诊断离子，只是证明甲基化肽段谱图适合作为AI-ready训练资源。
局限与启示
- 精氨酸偏向：金级位点几乎都是精氨酸甲基化，因为公共数据集多来自PRMT抑制相关实验；赖氨酸甲基化数据仍稀缺。 - 类别不平衡：阴性（非甲基化）谱图远多于阳性，模型天然偏向多数类；未来需要数据增强、合成谱图或代价敏感学习。 - 14 Da的“模糊地带”：甲基化质量偏移小，搜索空间、同分异构、可变修饰都会带来竞争解释，严格FLR是必需的。
数据已开放
这个高置信人类甲基化图谱已提交至 PTMeXchange 和 PRIDE， curated位点证据也已整合到 UniProt 和 PeptideAtlas。
对我们的启发
对做蛋白质组修饰分析的团队来说，这篇工作至少有三点可借鉴：
先做严格FDR/FLR，再谈位点数
：甲基化这种小质量偏移修饰，没有独立FLR控制，位点清单很可能虚高。 迁移学习是修饰AI化的可行路径
：当阳性谱图不足时，从磷酸化等大数据预训练模型迁移，比从头训练更现实。 公开数据重分析能创造新资源
：8个公开数据集+统一流程，就能产出一个被UniProt收录的高质量图谱。
