基于Transformer架构的DIA质谱数据从头测序模型Cascadia的研发与应用

来自国际前沿团队的研究人员针对数据非依赖采集(DIA)质谱分析中的从头测序难题，开发了基于Transformer架构的深度学习模型Cascadia。该研究突破了传统数据依赖采集(DDA)方法的局限性，通过处理DIA复杂碎片谱图，在多仪器平台和实验方案中实现显著性能提升，为复杂蛋白质组样本的高通量精准解析提供了新范式。

质谱分析领域的核心挑战——从头测序(de novo sequencing)技术迎来重大突破。传统方法需依赖序列数据库比对，而新兴的Cascadia模型采用Transformer架构，直接从数据非依赖采集(data-independent acquisition, DIA)产生的复杂碎片谱图中解析氨基酸序列。相较于仅适用于数据依赖采集(DDA)的现有方案，该模型通过处理DIA特有的高维度谱图特征，在跨仪器、跨协议的测试中展现出卓越的泛化能力。这项技术革新将推动蛋白质组学研究进入高特异性、高重现性的DIA新时代，为疾病标志物发现和精准医学提供强大工具。