目的 数据非依赖性采集（ ｄａｔａ ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ，ＤＩＡ） 是目前针对大通量蛋白质组学 分析常用的一种数据采集方式。 在对 ＤＩＡ 数据无目标的分析方式中，由于无法预测肽段出现在 ＤＩＡ 数 据中的位置，需要对谱中所有的峰进行分析。 但谱中含有大量的噪声峰，这些峰会严重影响后续蛋白质 定性定量分析的效率与效果，所以在 ＤＩＡ 数据的无目标分析过程中先进行预处理以去除噪声峰就成了 很重要的 一 步。 为 了 能 充 分 利 用 从 ＤＩＡ 数 据 中 提 取 出 来 的 肽 段 在 一 级 质 谱 （ ｆｉｒｓｔ ｓｔａｇｅ ｏｆ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ，ＭＳ１） 和二级质谱（ ｓｅｃｏｎｄ ｓｔａｇｅ ｏｆ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ，ＭＳ２） 中的峰信息，提出质谱卷积神经网 络（ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＭＳＣＮＮ） 模型。 方法 不同于传统的方法，本文首先提 出适用于 ＭＳＣＮＮ 网络结构的样本提取流程，然后利用 ＭＳＣＮＮ 对样本进行训练和学习，该模型可以最 大限度利用肽在 ＭＳ１ 和 ＭＳ２ 中的特征，最后通过观察模型在测试集中的结果来验证模型的效果。 结果 和传统算法相比，在保证真峰处理效果大致相同的情况下，ＭＳＣＮＮ 模型过滤噪声峰的数量提高了约 １１.２％。 结论 本文提出的 ＭＳＣＮＮ 模型可以更有效地去除 ＤＩＡ 数据中的噪声峰。

［ １ ］ 　 Ｐｅｎｇ Ｊ， Ｅｌｉａｓ ＪＥ， Ｔｈｏｒｅｅｎ ＣＣ， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ ｃｈｒｏｍａｔｏｇｒａｐｈｙ ｃｏｕｐｌｅｄ ｗｉｔｈ ｔａｎｄｅｍ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ （ ＬＣ ／ ＬＣ－ＭＳ ／ ＭＳ） ｆｏｒ ｌａｒｇｅ-ｓｃａｌｅ ｐｒｏｔｅｉｎ ａｎａｌｙｓｉｓ： ｔｈｅ ｙｅａｓｔ ｐｒｏｔｅｏｍｅ ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｔｅｏｍｅ Ｒｅｓｅａｒｃｈ， ２００３， ２ （１） ： ４３－５０． ［ ２ ］ 　 Ｓｃｈｗｕｄｋｅ Ｄ， Ｏｅｇｅｍａ Ｊ， Ｂｕｒｔｏｎ Ｌ， ｅｔ ａｌ． Ｌｉｐｉｄ ｐｒｏｆｉｌｉｎｇ ｂｙ ｍｕｌｔｉｐｌｅ ｐｒｅｃｕｒｓｏｒ ａｎｄ ｎｅｕｔｒａｌ ｌｏｓｓ ｓｃａｎｎｉｎｇ ｄｒｉｖｅｎ ｂｙ ｔｈｅ ｄａｔａ? ｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ［ Ｊ］ ． Ａｎａｌｙｔｉｃａｌ Ｃｈｅｍｉｓｔｒｙ，２００６，７８ （ ２） ： ５８５－５９５． ［ ３ ］ 　 Ｇｉｌｌｅｔ ＬＣ，Ｎａｖａｒｒｏ Ｐ，Ｔａｔｅ Ｓ，ｅｔ ａｌ． Ｔａｒｇｅｔｅｄ ｄａｔａ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｔｈｅ ＭＳ ／ ＭＳ ｓｐｅｃｔｒａ ｇｅｎｅｒａｔｅｄ ｂｙ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ： ａ ｎｅｗ ｃｏｎｃｅｐｔ ｆｏｒ ｃｏｎｓｉｓｔｅｎｔ ａｎｄ ａｃｃｕｒａｔｅ ｐｒｏｔｅｏｍｅ ａｎａｌｙｓｉｓ ［ Ｊ ］ ． Ｍｏｌｅｃｕｌａｒ ＆ Ｃｅｌｌｕｌａｒ Ｐｒｏｔｅｏｍｉｃｓ，２０１２，１１（６） ： Ｏ１１１． ［ ４ ］ 　 Ｂｉｌｂａｏ Ａ， Ｖａｒｅｓｉｏ Ｅ， Ｌｕｂａｎ Ｊ， ｅｔ ａｌ． Ｐｒｏｃｅｓｓｉｎｇ ｓｔｒａｔｅｇｉｅｓ ａｎｄ ｓｏｆｔｗａｒｅ ｓｏｌｕｔｉｏｎｓ ｆｏｒ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ ｉｎ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ［ Ｊ］ ． Ｐｒｏｔｅｏｍｉｃｓ，２０１５，１５（５－６） ： ９６４－９８０． ［ ５ ］ 　 Ｋｏｏｐｍａｎｓ Ｆ， Ｈｏ ＪＴＣ， Ｓｍｉｔ ＡＢ， ｅｔ ａｌ． Ｃｏｍｐａｒａｔｉｖｅ Ａｎａｌｙｓｅｓ ｏｆ Ｄａｔａ Ｉｎｄｅｐｅｎｄｅｎｔ Ａｃｑｕｉｓｉｔｉｏｎ Ｍａｓｓ Ｓｐｅｃｔｒｏｍｅｔｒｉｃ Ａｐｐｒｏａｃｈｅｓ： ＤＩＡ，ＷｉＳＩＭ-ＤＩＡ，ａｎｄ Ｕｎｔａｒｇｅｔｅｄ ＤＩＡ［ Ｊ］ ． Ｐｒｏｔｅｏｍｉｃｓ，２０１８，１８ （１） ： １７００３０４． ［ ６ ］ 　 Ｌｉｕ Ｈ，Ｓａｄｙｇｏｖ ＲＧ，Ｙａｔｅｓ ＪＲ． Ａ ｍｏｄｅｌ ｆｏｒ ｒａｎｄｏｍ ｓａｍｐｌｉｎｇ ａｎｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｒｅｌａｔｉｖｅ ｐｒｏｔｅｉｎ ａｂｕｎｄａｎｃｅ ｉｎ ｓｈｏｔｇｕｎ ｐｒｏｔｅｏｍｉｃｓ ［ Ｊ］ ． Ａｎａｌｙｔｉｃａｌ Ｃｈｅｍｉｓｔｒｙ，２００４，７６（１４） ： ４１９３－４２０１． ［ ７ ］ 　 Ｐｉｃｏｔｔｉ Ｐ， Ａｅｂｅｒｓｏｌｄ Ｒ． Ｓｅｌｅｃｔｅｄ ｒｅａｃｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ-ｂａｓｅｄ ｐｒｏｔｅｏｍｉｃｓ： ｗｏｒｋｆｌｏｗｓ， ｐｏｔｅｎｔｉａｌ， ｐｉｔｆａｌｌｓ ａｎｄ ｆｕｔｕｒｅ ｄｉｒｅｃｔｉｏｎｓ ［ Ｊ］ ． Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ，２０１２，９（６） ： ５５５－５６６． ［ ８ ］ 　 Ｒoｓｔ ＨＬ，Ｒｏｓｅｎｂｅｒｇｅｒ Ｇ，Ｎａｖａｒｒｏ Ｐ，ｅｔ ａｌ． ＯｐｅｎＳＷＡＴＨ ｅｎａｂｌｅｓ ａｕｔｏｍａｔｅｄ，ｔａｒｇｅｔｅｄ ａｎａｌｙｓｉｓ ｏｆ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ ＭＳ ｄａｔａ［ Ｊ］ ． Ｎａｔｕｒｅ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ，２０１４，３２（３） ： ２１９－２２３． ［ ９ ］ 　 Ｂｅｒｎｈａｒｄｔ ＯＭ，Ｓｅｌｅｖｓｅｋ Ｎ，Ｇｉｌｌｅｔ ＬＣ，ｅｔ ａｌ． Ｓｐｅｃｔｒｏｎａｕｔ： Ａ ｆａｓｔ ａｎｄ ｅｆｆｉｃｉｅｎｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ＭＲＭ-ｌｉｋｅ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｄａｔａ ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ （ ＳＷＡＴＨ-ＭＳ ） ｄａｔａ ［ Ｃ ］ ／ ／ Ｓｊｏｂｅｒｇ， Ｊｕｄｉｔｈ ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６０ｔｈ Ａｍｅｒｉｃａｎ Ｓｏｃｉｅｔｙ ｆｏｒ Ｍａｓｓ Ｓｐｅｃｔｒｏｍｅｔｒｙ （ ＡＳＭＳ ） Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｓｓ Ｓｐｅｃｔｒｏｍｅｔｒｙ． Ｖａｎｃｏｕｖｅｒ，Ｃａｎａｄａ ：Ｓｐｒｉｎｇｅｒ-Ｖｅｒｌａｇ ，２０１２： ６８． ［１０］ 　 ＭａｃＬｅａｎ Ｂ，Ｔｏｍａｚｅｌａ ＤＭ， Ｓｈｕｌｍａｎ Ｎ， ｅｔ ａｌ． Ｓｋｙｌｉｎｅ： ａｎ ｏｐｅｎ ｓｏｕｒｃｅ ｄｏｃｕｍｅｎｔ ｅｄｉｔｏｒ ｆｏｒ ｃｒｅａｔｉｎｇ ａｎｄ ａｎａｌｙｚｉｎｇ ｔａｒｇｅｔｅｄ ｐｒｏｔｅｏｍｉｃｓ ｅｘｐｅｒｉｍｅｎｔｓ［ Ｊ］ ． Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ，２０１０，２６（ ７） ： ９６６ － ９６８． ［１１］ 　 Ｒｅｉｔｅｒ Ｌ， Ｒｉｎｎｅｒ Ｏ， Ｐｉｃｏｔｔｉ Ｐ， ｅｔ ａｌ． ｍＰｒｏｐｈｅｔ： ａｕｔｏｍａｔｅｄ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｓｔａｔｉｓｔｉｃａｌ ｖａｌｉｄａｔｉｏｎ ｆｏｒ ｌａｒｇｅ-ｓｃａｌｅ ＳＲＭ ｅｘｐｅｒｉｍｅｎｔｓ［ Ｊ］ ． Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ，２０１１，８（５） ： ４３０－４３５． ［１２］ 　 Ｔｓｏｕ ＣＣ， Ａｖｔｏｎｏｍｏｖ Ｄ， Ｌａｒｓｅｎ Ｂ， ｅｔ ａｌ． ＤＩＡ?Ｕｍｐｉｒｅ： ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ ｐｒｏｔｅｏｍｉｃｓ［ Ｊ］ ． Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ，２０１５，１２（ ３） ： ２５８－ ２６４． ［１３］ 　 Ｔｓｏｕ ＣＣ，Ｔｓａｉ ＣＦ，Ｔｅｏ ＧＣ，ｅｔ ａｌ． Ｕｎｔａｒｇｅｔｅｄ，ｓｐｅｃｔｒａｌ ｌｉｂｒａｒｙ?ｆｒｅｅ ａｎａｌｙｓｉｓ ｏｆ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ ｐｒｏｔｅｏｍｉｃｓ ｄａｔａ ｇｅｎｅｒａｔｅｄ ｕｓｉｎｇ Ｏｒｂｉｔｒａｐ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｅｒｓ ［ Ｊ ］ ． Ｐｒｏｔｅｏｍｉｃｓ， ２０１６，１６（１５－１６） ： ２２５７－２２７１． ［１４］ 　 Ｗａｎｇ Ｊ，Ｔｕｃｈｏｌｓｋａ Ｍ，Ｋｎｉｇｈｔ ＪＤＲ，ｅｔ ａｌ． ＭＳＰＬＩＴ?ＤＩＡ： ｓｅｎｓｉｔｉｖｅ ｐｅｐｔｉｄｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ［ Ｊ］ ． Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ，２０１５，１２（１２） ： １１０６－１１０８． ［１５］ 　 Ｌｉ Ｙ， Ｚｈｏｎｇ ＣＱ， Ｘｕ Ｘ， ｅｔ ａｌ． Ｇｒｏｕｐ?ＤＩＡ： ａｎａｌｙｚｉｎｇ ｍｕｌｔｉｐｌｅ ｄａｔａ?ｉｎｄｅｐｅｎｄｅｎｔ ａｃｑｕｉｓｉｔｉｏｎ ｍａｓｓ ｓｐｅｃｔｒｏｍｅｔｒｙ ｄａｔａ ｆｉｌｅｓ ［ Ｊ ］ ． Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ，２０１５，１２（１２） ： １１０５－１１０６． ［１６］ 　 Ｔｏｕｍｉ ＭＬ， Ｄｅｓａｉｒｅ Ｈ． Ｉｍｐｒｏｖｉｎｇ ｍａｓｓ ｄｅｆｅｃｔ ｆｉｌｔｅｒｓ ｆｏｒ ｈｕｍａｎ ｐｒｏｔｅｉｎｓ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｔｅｏｍｅ Ｒｅｓｅａｒｃｈ，２０１０，９（１０） ： ５４９２－ ５４９５． ［１７］ 　 Ｒａｄｅｎｏｖｉｃ Ｆ，Ｔｏｌｉａｓ Ｇ，Ｃｈｕｍ Ｏ． Ｆｉｎｅ?ｔｕｎｉｎｇ ＣＮＮ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ｗｉｔｈ ｎｏ ｈｕｍａｎ ａｎｎｏｔａｔｉｏｎ ［ Ｊ ］ ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１９，４１（７） ： １６５５－１６６８． ［１８］ 　 Ｚｈａｎｇ Ｋ， Ｚｕｏ Ｗ， Ｃｈｅｎ Ｙ， ｅｔ ａｌ． Ｂｅｙｏｎｄ ａ ｇａｕｓｓｉａｎ ｄｅｎｏｉｓｅｒ： Ｒｅｓｉｄｕａｌ ｌｅａｒｎｉｎｇ ｏｆ ｄｅｅｐ ｃｎｎ ｆｏｒ ｉｍａｇｅ ｄｅｎｏｉｓｉｎｇ ［ Ｊ］ ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１７，２６（７） ： ３１４２－３１５５． ［１９］ 　 Ｌｉ Ｍ，Ｚｈａｎｇ Ｔ， Ｃｈｅｎ Ｙ， ｅｔ ａｌ． Ｅｆｆｉｃｉｅｎｔ ｍｉｎｉ?ｂａｔｃｈ ｔｒａｉｎｉｎｇ ｆｏｒ ｓｔｏｃｈａｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ ［ Ｃ］ ／ ／ ＫＤＤ ， Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔｉｎｇ Ｍａｃｈｉｎｅｒｙ，Ｓｐｅｃｉａｌ Ｉｎｔｅｒｅｓｔ Ｇｒｏｕｐ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ ， ｅｔ ａｌ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０ｔｈ ＡＣＭ ＳＩＧＫＤＤ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ ａｎｄ ｄａｔａ ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ ：ＡＣＭ，２０１４： ６６１－６７０． ［２０］ 　 Ｂｅｌｌｏ Ｉ，Ｚｏｐｈ Ｂ，Ｖａｓｕｄｅｖａｎ Ｖ，ｅｔ ａｌ． Ｎｅｕｒａｌ ｏｐｔｉｍｉｚｅｒ ｓｅａｒｃｈ ｗｉｔｈ ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ ［ Ｃ ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｓｏｃｉｅｔｙ ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ?Ｖｏｌｕｍｅ ７０． Ｓｙｄｎｅｙ，Ａｕｓｔｒａｌｉａ ：Ｃｕｒｒａｎ Ａｓｓｏｃｉａｔｅｓ，Ｉｎｃ ， ２０１７： ４５９－４６８．