如果我们把整个公共核酸库塞进几块移动硬盘，插上笔记本就能在几秒内完成一次全库比对，蛋白质组学会不会也迎来自己的‘Ctrl+F’时刻？
近日，苏黎世联邦理工学院的Gunnar Rätsch和André Kahles团队在Nature上发表了一项研究 《Efficient and accurate search in petabase-scale sequence repositories》；链接https://www.nature.com/articles/s41586-025-09603-w。他们开发的MetaGraph框架，在实践层面证明了对SRA、ENA等公共序列数据库进行全文本、低成本、精准序列搜索的可行性。这项技术被誉为“DNA领域的谷歌”，其核心突破在于将海量序列数据压缩成可便携的索引，并支持高效的精确匹配和序列比对查询。其在基因组学领域带来的过人之处包括而不限于：
极致的压缩与可扩展性：MetaGraph基于注释的de Bruijn图，将海量序列数据高度压缩。例如，GTEx RNA-seq数据集（原始压缩数据超100 TB）的MetaGraph索引仅需约10 GB空间，压缩比高达7,416 bp/字节。这使得在普通服务器或笔记本电脑上操作整个数据库成为可能。
精准且灵活的搜索模式：它支持两种搜索策略：速度快的k-mer精确匹配或敏感度更高的序列到图比对，后者在查询序列存在突变时，其召回率显著优于精确匹配。
搜索成本极低：对于大查询量，精确匹配低至0.74美元/兆碱基。即使是小规模查询（1 Mbp），对整个SRA进行搜索比对也仅需约100美元。
尽管论文主要聚焦于DNA/RNA序列，但其方法论和框架的通用性（支持DNA、RNA和氨基酸序列）为所有的组学玩家打开了新的想象空间。笔者理解中，MetaGraph在蛋白质组学，特别是免疫肽组学（Immunopeptidomics）和未知翻译后修饰（PTM）的开放式搜索（Open Search）领域具有巨大的应用潜力。这里没有额外提到名词本身更接近的宏蛋白组（Meta-proteomics），是因为笔者认为数据爆炸对于前两者更甚；当然也有笔者自身知识框架不足的局限。
免疫肽组学与新生抗原筛选
免疫肽组学通过质谱（MS）技术鉴定被MHC分子呈递到细胞表面的肽段，是癌症免疫治疗和疫苗开发的重要技术。如何从海量的质谱图谱中高灵敏度、高特异性地鉴定出那些来自基因突变、病毒整合或非经典编码区的“新生抗原（Neoantigens）”一直是该领域的第一难题。现有的分析流程基本依赖于数据库搜索，而数据库通常是标准的蛋白质数据库（如UniProt）或定制化的基因组翻译数据库。但这种方法存在瓶颈：一方面，数据库越庞大搜索速度越慢；另一方面，搜索引擎的限制决定了除de novo外，不可能高效地涵盖所有可能的变异和剪接形式；最后，由于突变肽通常<0.1% 丰度，灵敏度的天花板效应明显。
MetaGraph带来的新玩法可能是从“构建静态数据库”变成“构建动态序列图谱”：将所有已知的蛋白质序列、六框翻译的基因组序列、以及来自GTEx、TCGA等项目的RNA-seq数据构建成一个统一的MetaGraph索引。当质谱数据查询时，直接进行 sequence-to-graph alignment。这样的做法可以保证：图中已含所有转录本序列以及它们之间的自然连接（通过k-1重叠），突变或新剪接事件在图中表现为一条可遍历的路径；“alignment”算法允许一定程度的错配，从而可灵敏地检出indel、剪接变异等。
未知PTM的开放式搜索
蛋白质的翻译后修饰（PTM）极大地增加了蛋白质组的复杂性。“开放式搜索”（Open Search）是指在不预设修饰类型的情况下，发现肽段序列及其可能存在的质量偏移，是发现新PTM的流行技术。但是开放式搜索把质量移位 Δm 当成额外维度的做法会产生巨大的搜索空间。以人类UniProt为例，2×10⁷条肽段与–150到+800 Da范围内约1000个Δm步长相乘，再对上10⁸张MS/MS，搜索空间轻松突破10¹²。为了提速，现有工具（MSFragger、Open-pFind等）用片段离子索引、tag剪枝、FDR并行化等技巧，但核心仍依赖预先枚举所有“肽段-Δm”组合生成庞大的虚拟数据库，导致库体积和假阳性同步膨胀。
MetaGraph带来的可能变革，在于其核心的图索引和遍历思想。首先，其强大的压缩能力使得构建包含大量已知PTM质量偏移的虚拟肽段库索引变得可行。更重要的是，搜索时，算法可以尝试“走图”而非“枚举数据库”：先利用高置信的谱图碎片离子序列（tag）在图中定位锚点，然后沿de Bruijn图双向延伸路径，同时将每一步可能对应的质量偏移（Δm）作为图边的附加属性进行实时累加，并与母离子实测质量进行动态比对。这种方法将计算密集型任务从“搜索时”转移到了“索引构建时”。最后，这种方法或许还可以把现有数据库搜索中的诱饵库的生成模式给兼容进去：例如，通过同步考虑反向或随机的路径遍历，自然形成靶标-诱饵对。
现有框架下，保守且稳妥的做法是需要后接统计验证工具的，如传统数据库搜索中通过Percolator或PyProphet等控制假阳性；如果结果足够惊艳，或许这一步也可以被省略呢？但更现实的路径是，MetaGraph作为一个超高速的预过滤器，大幅缩小候选范围，再交由这些专用工具进行精细验证。
MetaGraph 给核酸世界造了一台 Google；将整个生命科学领域的序列数据视为一个可即时查询、可探索的整体，这一愿景已触手可及。蛋白质组学想上车，可尝试把氨基酸当字母、把修饰和图遍历路径当边权。“MetaGraph for Proteomics”的价值将远大于一篇Nature。
Content Refined by AI tools 内容经AI工具修改，审慎阅读
Figure Generated by AI tools 图像由AI工具生成