在高通量蛋白质组学中，蛋白质首先会被酶切为肽段，再通过质谱仪进行检测分析，最后基于对质谱数据的解析完成对肽段和蛋白质的研究。然而，在质谱实验中，并不是所有理论上可能的肽段都能被检测到，造成了质谱数据的随机性和解读上的困难。准确的肽段酶切概率和可检测性预测能够对蛋白质组学的实验设计和数据分析提供有力帮助。 

　　中国科学院数学与系统科学研究院付岩课题组联合国家蛋白质科学中心（北京）的研究人员开发了基于深度学习的肽段酶切概率预测和肽段可检测性预测算法及软件工具DeepDigest和DeepDetect。在涵盖八种常用蛋白水解酶和多仪器、多物种的19个公开数据集上的测试表明，算法的预测精度显著高于已有的预测算法，并成功应用于肽鉴定可靠性评估和质谱库缩减等问题上，提升了蛋白质组学研究的准确性和效率。相关研究成果近期作为封面文章发表在Analytical Chemistry 期刊上。 

　　期刊封面图：利用人工智能（深度学习）技术实现对肽段可检测性的准确预测 

　　DeepDigest是首个预测肽段酶切概率的深度学习算法，DeepDetect是首个利用酶切概率加强肽段可检测性预测的深度学习算法，它们作为高精度的、鲁棒的、适用于多种常用酶的肽段酶切概率和可检测性预测工具，未来有望为蛋白质组学的进一步发展提供有力支持。 

　　论文信息： 

　　1.     Jinghan Yang, Zhiyuan Cheng, Fuzhou Gong, and Yan Fu. DeepDetect: Deep Learning of Peptide Detectability Enhanced by Peptide Digestibility and Its Application to DIA Library Reduction. Analytical Chemistry, 95(15), 6235-6243, 2023. 

　　2.     Jinghan Yang, Zhiqiang Gao, Xiuhan Ren, Jie Sheng, Ping Xu, Cheng Chang, Yan Fu. DeepDigest: prediction of protein proteolytic digestion with deep learning. Analytical Chemistry, 93(15):6094-6103, 2021. 

　　软件链接：http://fugroup.amss.ac.cn/Software.html