NovoTax: prokaryotic strain identification from mass spectrometry-based proteomics data

本文介绍了 NovoTax，这是一种能够从原始下至上的蛋白质组学质谱数据中直接鉴定原核生物菌株的端到端流程，它通过结合从头肽段测序与优化的基因组数据库搜索，实现了对微生物样本的菌株级鉴定并支持后续深入分析。

要点

这篇论文介绍了一个名为 NovoTax 的新工具，它就像是一个**“微生物界的指纹识别大师”**。

为了让你更容易理解，我们可以把整个科学过程想象成在一个巨大的**“全球图书馆”**里寻找一本特定的书。

1. 以前的难题：没有目录，怎么找书？

在传统的蛋白质组学（一种分析生物体内蛋白质的技术）中，科学家想要知道样本里有什么细菌，通常需要先**“猜”**出里面有什么。

• 比喻：这就像你手里有一堆乱码（质谱数据），你想找出它们代表什么书。以前，你必须先知道图书馆里有哪些书（预先知道样本里有什么细菌），然后拿着乱码去和这些书的一页页内容（蛋白质序列）做对比。
• 问题：如果你猜错了，或者样本里混进了你没想到的“捣乱者”（污染物），你就永远找不到真相。而且，如果你面对的是一个完全未知的细菌，传统的“猜谜”方法就彻底失效了。

2. NovoTax 的魔法：先读字，再找书

NovoTax 的厉害之处在于，它不需要你提前知道样本里有什么。它直接处理原始的“乱码”数据，分三步走：

第一步：破译密码（De novo 测序）

• 比喻：想象你拿到了一堆被撕碎的、没有标题的报纸碎片（原始质谱数据）。NovoTax 里的“翻译官”（AI 算法）会把这些碎片拼凑起来，直接读出上面的文字（肽段序列）。
• 特点：它不需要参考任何已有的书，纯粹靠自己的“阅读理解”能力把碎片拼成句子。

第二步：层层筛选的“图书馆寻宝”（数据库匹配）

读出了文字后，NovoTax 需要去一个超级巨大的图书馆（GTDB，包含数十万种细菌的基因库）里找哪本书和这些文字最匹配。

• 比喻：这个图书馆有 24 亿页书，直接翻太慢了。NovoTax 很聪明，它采用了**“三级漏斗”**策略：
  1. 第一层（找大类）：先只翻“目录”，看看这些文字属于哪个“家族”（属，Genus）。这就像先确定是“科幻小说”还是“历史传记”。
  2. 第二层（找具体种类）：确定了家族后，再缩小范围，只翻这个家族下的所有“具体书名”（种，Species）。
  3. 第三层（找具体版本）：最后，只翻这个具体书名下的所有“版本”（菌株，Strain）。
• 结果：通过这种由粗到细的搜索，它能在几秒钟内从几亿本书里找到最匹配的那一本。

第三步：揪出“捣乱者”（污染物检测）

• 比喻：有时候，拼出来的文字里混杂了另一本书的内容。NovoTax 会想：“等等，这些文字好像不属于刚才找到的那本书？”于是它会把这些“多余”的文字挑出来，重新去图书馆找另一本匹配的书。
• 意义：这意味着它能发现样本里混入的污染物，或者在一个混合的细菌群落中，找出谁才是**“老大”**（最丰富的物种）。

3. 它真的管用吗？（验证结果）

科学家拿了很多已知的细菌样本来测试 NovoTax：

• 准确率极高：在大多数情况下，它找到的细菌种类和实验室记录的一模一样。
• 纠正错误：有些样本原本被标记错了（比如以为是 A 细菌，其实是 B 细菌），NovoTax 通过数据分析发现：“不对，这些文字更像是 B 细菌写的！”随后的验证证明它是对的。
• 发现隐藏者：在一些样本中，它成功揪出了原本被忽略的“捣乱者”细菌。

4. 总结：为什么这很重要？

• 给普通人：以前，如果你想知道一杯水或伤口里有什么细菌，你需要先培养、测序基因，步骤繁琐。现在，有了 NovoTax，你可以直接扔进质谱仪的数据，它就能告诉你：“嘿，这里面主要是大肠杆菌，而且混了一点葡萄球菌。”
• 给科学家：它提供了一个**“端到端”**的解决方案。从原始数据直接到最匹配的细菌菌株，甚至能生成一个专属的“蛋白质字典”，让后续的深入分析变得更容易。

一句话总结：
NovoTax 就像是一个不需要预先知道嫌疑人是谁的超级侦探。它直接通过现场留下的“指纹”（蛋白质碎片），在巨大的“罪犯档案库”（基因数据库）里，迅速锁定真凶（细菌菌株），甚至能发现混在人群中的伪装者（污染物）。这让微生物的鉴定变得更快、更准、更智能。

技术摘要

以下是基于论文《NovoTax: prokaryotic strain identification from mass spectrometry-based proteomics data》的详细技术总结：

1. 研究背景与问题 (Problem)

• 传统局限：传统的基于质谱（MS）的蛋白质组学分析通常依赖于先验知识，即需要已知样本的组成，以便将质谱图与特定的肽段序列进行匹配。如果样本中存在未知的微生物或菌株，传统方法难以直接识别。
• 现有缺口：虽然存在从头测序（de novo sequencing）、肽段到蛋白质组映射以及分类推断的工具，但目前缺乏一个端到端（end-to-end）的解决方案，能够直接从原始质谱文件（raw MS files）出发，无需预先构建数据库，即可生成针对特定样本的蛋白质数据库，并直接用于常规搜索引擎进行深度分析。
• 核心挑战：如何在没有参考基因组的情况下，利用质谱数据准确鉴定原核生物（细菌和古菌）的物种甚至菌株水平，并处理样本中的污染物或复杂群落。

2. 方法论 (Methodology)

NovoTax 是一个模块化的端到端流程，旨在从原始质谱数据直接鉴定最接近的原核生物蛋白质组。其工作流程分为三个主要步骤（如图 1A 所示）：

2.1 从头测序 (De novo sequencing)

• 输入：支持数据依赖采集（DDA）和数据非依赖采集（DIA）的原始质谱文件。
• 工具选择：
  • 针对 DDA 数据：默认使用 XuanjiNovo。
  • 针对 DIA 数据：默认使用 Cascadia。
• 过滤：仅保留预测置信度评分（confidence score）大于 0.8 的肽段。
• 灵活性：用户也可以直接提供已有的肽段列表作为输入。

2.2 数据库肽段匹配 (Database peptide matching)

• 数据库：使用 GTDB (Genome Taxonomy Database)，包含大量细菌和古菌基因组。
• 搜索工具：使用 MMseqs2 进行快速序列比对。
• 三级迭代搜索策略（旨在减少查询规模、提高速度并降低内存占用）：
  1. 属水平（Genus level）：仅搜索 GTDB 中的“属代表物种”（若无代表，则选择完整性>95%且污染<1%的物种）。这将数据库从约 24 亿条序列（73 万个蛋白质组）缩减至约 2400 万条序列（7993 个蛋白质组）。
  2. 种水平（Species level）：一旦确定属，搜索该属所在科的所有“种代表物种”。
  3. 菌株水平（Strain level）：最后，针对确定的种，搜索该种下的所有菌株。
• 预处理：在所有步骤中，将异亮氨酸（Isoleucine）转换为亮氨酸（Leucine），以解决质谱无法区分这两种氨基酸的问题。

2.3 分类学分配 (Taxonomy assignment)

• 评分机制：计算每个肽段的得分 = 比对质量（bitscore）/ 匹配的蛋白质组数量。此步骤旨在惩罚那些匹配多个蛋白质组（信息量低）的肽段。
• 迭代逻辑：
  • 在每一步迭代中，计算每个蛋白质组的匹配肽段得分总和（属评分）。
  • 选择得分最高的蛋白质组。
  • 去重与重搜：将已匹配到当前最佳菌株的肽段移除，对剩余未匹配的肽段重复上述搜索过程，以识别潜在的污染物或次要物种。
• 终止条件：在属匹配步骤后，如果属评分低于 1,402（经验阈值），则停止迭代。该阈值基于实证数据设定，对应于第二轮算法中剩余肽段的属评分中位数。

3. 主要贡献 (Key Contributions)

1. 首个端到端流程：NovoTax 是第一个能够从原始质谱文件直接生成特定样本蛋白质组数据库（FASTA）并用于下游传统搜索引擎的工具。
2. 菌株级鉴定：能够在 GTDB 存在相应蛋白质组的情况下，准确鉴定原核生物的菌株（Strain level），而不仅仅是物种。
3. 污染物检测：通过迭代搜索剩余肽段，能够有效识别样本中的污染物种（Contaminants）。
4. 复杂群落分析：能够识别微生物群落中丰度最高的成员。
5. 模块化与易用性：以模块化 Docker 文件形式发布，提供易于解读的质量评分和分类学分配，适合非专家使用。

4. 实验结果 (Results)

研究团队使用了来自 PRIDE 数据库的公开数据集（包括 Lee et al., 2022; Schape et al., 2019; Wuyts et al., 2023）进行了验证：

• 单物种基准测试：

  • 在 51 个细菌物种隔离株（235 个原始文件）中，NovoTax 正确鉴定了 90.2% (46/51) 的物种。
  • 对于未完全匹配物种的 5 个案例，NovoTax 均鉴定出了同一属的成员。传统蛋白质组学搜索（使用 MSFragger）显示，NovoTax 鉴定的蛋白质组比原始报告的物种匹配了更多（>30%）的独特肽段，表明原始样本的物种注释可能存在错误。
  • 污染物识别：在两个样本（Streptomyces venezuelae 和 Halomonas sp.）中，第一轮迭代后超过 45% 的肽段未分配。重新搜索这些剩余肽段成功识别了另一种物种，且传统搜索证实这些肽段主要来自污染物。
  • 菌株水平：在 32 个有菌株注释的样本中，84.4% 的样本鉴定出的菌株与报告菌株的平均核苷酸一致性（ANI）>99.5%。对于 ANI 较低的情况，肽段匹配分析表明 NovoTax 的结果往往更接近实际分析菌株。

• 细菌群落基准测试：

  • 简单群落：在包含 8 个物种的混合样本中，NovoTax 鉴定出 5 个物种，但这 5 个物种在后续的传统搜索中代表了 >99% 的肽段丰度。
  • 复杂群落：在处理 96 小时采样的复杂群落数据（DIA 模式）时，NovoTax 鉴定出 11 个物种，其中 9 个被报告为最丰富的物种。
  • DIA 数据表现：观察到 DIA 数据中无法可靠分配给任何菌株的肽段比例高于 DDA 数据，提示 DIA 从头测序的精度可能略低，但这不影响主要物种的鉴定。

5. 意义与影响 (Significance)

• 质量控制（QC）：NovoTax 运行速度快，可作为常规样本的质量控制工具，确保分析的是正确的菌株，并检测是否存在污染。
• 深度分析基础：通过提供针对样本定制的蛋白质组数据库，使得研究人员可以使用传统的蛋白质组学搜索引擎进行更深入的定量和功能分析。
• 微生物多样性发现：无需预先培养或测序基因组，即可直接从蛋白质组数据中揭示微生物群落的多样性。
• 填补技术空白：解决了从原始质谱数据到特定菌株数据库生成的自动化流程缺失问题，特别适用于临床诊断和环境监测等需要快速鉴定原核生物的场景。

总结：NovoTax 通过结合先进的从头测序工具和优化的迭代数据库搜索策略，实现了从原始质谱数据到原核生物菌株水平鉴定的自动化，显著提高了微生物蛋白质组学分析的准确性和适用范围。